fa روشی ترکیبی به‌منظور توصیه پرس‌وجوهای پزشکی در سیستم‌های توصیه‌گر سیستمهای بازیابی اطلاعات و سیستمهای پردازش زبان طبیعی Information Retrieval & Natural Language Processing systems پژوهشي اصیل Original Article <div style="text-align: justify;"><span style="font-family:tahoma;"><strong><span style="color: black;">مقدمه:</span></strong> رشد روزافزون اطلاعات موجود در اینترنت و سربار زیاد اطلاعاتی، چالش مهمی برای کاربران در جهت دسترسی به اطلاعات موردنیازشان ایجاد کرده است. امروزه توصیه‌گرهای پرس‌وجو به یک جزء جدایی‌ناپذیر سیستم‌های بازیابی اطلاعات تبدیل شده‌اند. یکی از کاربردهای این توصیه‌گرها در زمینه علوم پزشکی است. این سیستم‌ها با به کارگیری فرایندهای شخصی‌سازی سعی در تسکین مشکل سرریز اطلاعات در وب و سرعت بخشیدن به جستجوی اطلاعات پزشکی کاربران دارند.<br> <strong><span style="color: black;">روش:</span></strong> این پژوهش از نوع کاربردی و توصیفی است. در این پژوهش سعی شد با استفاده از ویژگی‌های محتوایی پرس‌وجوها و نتایج جستجو روشی ارائه شود که ضمن حفظ ارتباط معنایی با پرس‌وجوی اصلی، کاربران را سریع‌تر به نیازهای اطلاعاتی‌شان برساند. به منظور خوشه‌بندی پرس‌وجوها از الگوریتم <span dir="LTR"><span style="font-size: 11pt;">K-means</span></span> استفاده شد. پیاده‌سازی روش پیشنهادی با استفاده از زبان برنامه‌نویسی جاوا و نرم‌افزار <span dir="LTR"><span style="font-size: 11pt;">NetBeans IDE</span></span> صورت گرفت.<br> <strong><span style="color: black;">نتایج</span></strong><strong>:</strong> با توجه به سیستم پیشنهادی، استفاده توامان از ویژگی‌های ساختاری پرس‌وجوها و نتایج جستجو حاوی اطلاعاتی مفیدی برای تشخیص پرس‌وجوهای مشابه است. از آن‌جا که امکان وجود کلمات چندمعنا در پرس‌وجوی کاربران وجود دارد، استفاده از نتایج جستجو می‌تواند در امر تشخیص هدف کاربر از پرس‌وجو مفید باشد.<br> <strong>نتیجه&shy; گیری:</strong> نتایج حاصل از ارزیابی روش پیشنهادی با دادگان واقعی مربوط به موتور جستجوی بومی پارسی‌جو، بیانگر مؤثر بودن این روش در بهبود دقت توصیه نسبت به سایر روش‌‌ها است. طبق ارزیابی‌های انجام‌شده، دقت سیستم پیشنهادی برابر با 24/77% است که در مقایسه با مطالعات مطرح در این زمینه، 10% بهبود داشته است.</span><br> &nbsp;</div> <div style="text-align: justify;"><strong>Introduction:</strong> The rapid growth of information in the Internet and high informational overload has created an important challenge for users in accessing their needed information. Nowadays, query recommendation systems have become a major part of information retrieval systems. One of the applications of these recommendation systems is in medical sciences. Through applying personalization approach, these systems attempt to decrease the problem of informational overload in Web and to accelerate users&#39; medical search.<br> <strong>Method:</strong> In this applied and descriptive study, by using the lexical features and search results of queries, we tried to propose a method that helps users to access their desired information in a short time while maintaining the lexical relationship with the original query. The popular k-means algorithm was used to cluster queries. The implementation of the proposed method was done by using java programming language and in NetBeans IDE software.<br> <strong>Results:</strong> According to the proposed method, the combined use of the lexical features and search results of queries leads to useful information for detecting similar queries. Since there is a possibility that a query contains multi-meaning words, using search results can be useful in identifying the user&rsquo;s intent of a query.<br> <strong>Conclusion</strong>: Evaluation of the proposed model with the real search log of the Parsijoo search engine indicated the precision rate of 77.4% for this method that in comparison to other methods shows 10% improvement of precision.<br> &nbsp;</div> سیستم توصیه‌گر پزشکی, توصیه پرس‌وجو, موتور جستجو, بازیابی اطلاعات Medical recommendation system, query recommendation, Search engine, Information retrieval 201 215 http://jhbmi.ir/browse.php?a_code=A-10-302-1&slc_lang=fa&sid=1 Elham Esmaeeli Gohari الهام اسماعیلی گوهری elhamesmaeeli@stu.yazd.ac.ir 10031947532846003642 10031947532846003642 No Yazd University کارشناس ارشد مهندسی کامپیوتر، گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه یزد، یزد، ایران Sajjad Zarifzadeh سجاد ظریف‌زاده szarifzadeh@yazd.ac.ir 10031947532846003643 10031947532846003643 Yes Ph. D. in Computer Engineering, Assistant Professor of Computer Engineering, Computer Engineering Dept., Technical and Engineering Campus, Yazd University, Yazd, Iran دکترای مهندسی کامپیوتر، استادیار، گروه مهندسی کامپیوتر، دانشکده فنی و مهندسی، دانشگاه یزد، یزد، ایران Saeed Hasanvand سعید حسنوند s_hasanvand@alumni.iust.ac.ir 10031947532846003644 10031947532846003644 No Iran University of Science and Technology کارشناس ارشد مهندسی کامپیوتر، دانشکده مهندسی کامپیوتر، دانشگاه علم و صنعت ایران، تهران، ایران