امروزه رشد و تغییر نمایی در حجم اطلاعات وب موجب عدم دسترسی سریع و آسان کاربران به اطلاعات مورد نیازشان شده است. اگرچه بکارگیری ابزارهایی مثل موتورهای جستجو می تواند به کاربران در یافتن اطلاعات مورد نیازشان کمک نماید و باعث تسریع و تسهیل دسترسی به اطلاعات وب شود، اما حجم اطلاعاتی که موتورهای جستجو به کاربر تحویل می دهند، معمولا بسیار بیشتر از آن است که قابل پردازش سریع توسط کاربر باشد. علاوه بر این اغلب موتورهای جستجو از محتوای صفحات و ساختار پیوند بین آنها برای تعیین میزان ارتباط صفحات با پرس وجوی کاربر استفاده می کنند. در واقع موتورهای جستجو علایق و دانش پیش زمینه کاربر را در جستجو مورد توجه قرار نمی دهند و نتایج مشابهی را برای کاربران با علایق متفاوت و پرس وجوی یکسان بازیابی می نمایند. بنابراین با توجه به اهمیت دسترسی سریع به اطلاعات مناسب برای کاربران در تعامل با وب، شخصی سازی کردن وب به یک پدیده محبوب به منظور سفارشی کردن محیط های وب تبدیل شده است. در این میان شخصی سازی نتایج حاصل از موتورهای جستجوی وب از اهمیت خاصی برخوردار می باشد. فرآیند شخصی سازی می تواند بعنوان یک کاربرد داده کاوی در نظر گرفته شود که شامل همه فازهای یک چرخه داده کاوی رایج از قبیل جمع آوری داده، پیش پردازش، کشف الگو و توسعه دانش بعنوان واسطه بین کاربر و وب می باشد. هدف اصلی در یک سیستم شخصی سازی، فراهم نمودن اطلاعات مورد نیاز کاربران برطبق علایق آنها و بدون دخالت صریح کاربران می باشد. این در حالی است که بررسی های انجام شده نشان می هد که در رویکردهای استفاده شده تاکنون، سیستمی که بتواند فرآیند شخصی سازی را بصورت اتوماتیک و مستقل از کاربر و یا شخص خبره انجام دهد، به چشم نمی خورد. علاوه بر این در سیستم های شخصی سازی که بصورت جمعی عمل می مایند، قابلیت بروز رسانی و سازگاری با تغییر در کاربران و علایق آنها وجود ندارد. وجود چنین خلاهایی ما را بر آن داشت تا به دنبال ارائه روش های شخصی سازی باشیم که علاوه بر اتوماتیک بودن و قابلیت سازگاری با تغییر در کاربران و علایق آنها، از روش های هوشمند مبتنی بر یادگیری ماشین مانند تکنیک های فازی، الگوریتم های داده کاوی و غیره در راستای بهبود نتایج بدست آمده و افزایش کارایی سیستم استفاده نماید. در راستای این اهداف سه روش برای شخصی سازی نتایج موتورهای جستجو ارائه م
