شخصی سازی صفحات وب مبتني براتوماتاي يادگير توزيع‌شده با تعداد اقدامهاي متغير و الگوريتم PageRank
استفاده همزمان از اطلاعات ساختاري و اطلاعات پيمايش كاربران يكي از چالشهاي مطرح در بهبود كارايي الگوريتمهاي شخصي‌سازي وب مي باشد. در اين مقاله الگوريتمي تركيبي مبتني بر اتوماتاي يادگير توزيع شده و الگوريتم PageRank ارائه شده است. الگوريتم پيشنهادي از اطلاعات پيمايش كاربران و پيوند بين صفحات به منظور پيشنهاد صفحات به كاربران استفاده مي‌كند. الگوريتم ارائه شده را همچنين مي‌توان براي تغييذ پيوند صفحات به منظور هدايت بهتر كاربران استفاده كرد. بر خلاف الگوريتمهاي شخصي‌سازي موجود كه تنها از اطلاعات پيمايش كاربران استفاده مي‌كنند، الگوريتم ارائه شده اولين روش گزارش شده مبتني بر اتوماتاي توزيع شده مي‌باشد كه همزمان از اطلاعات پيمايش كاربران و پيوند بين صفحات براي پيشنهاد صفحات استفاده مي‌كند. در الگوريتم ارائه شده يك اتوماتاي يادگير به هر صفحه وب تخصيص داده مي‌شود. هر اتوماتاي يادگير، بر اساس اطلاعات پيمايش كاربران احتمال گذار بين صفحات را ياد مي‌گيرد. بر اساس احتمالات گذار و اهميت هر صفحه كه با استفاده از الگوريتم PageRank محاسبه مي‌شود، عمليات شخصي‌سازي انجام مي شود. بر خلاف الگوريتم PageRank موجود كه اهميت هر صفحه بر اساس ساختار پيوندي صفحات محاسبه مي‌شود الگوريتم ارائه شده همزمان از اطلاعات ساختار پيوندي صفحات و پيمايش كاربران براي محاسبه اهميت صفحات استفاده مي‌كند. نتايج شبيه سازي الگوريتم در داده هاي واقعي نشان داده است كه كارايي الگوريتم پيشنهادي به 90% مي رسد، در حاليكه پيچيدگي زماني اجراي آن نيز پايين مي باشد.
