شناسایی موضوعات نوظهور از متون آنلاین جامعه پزشکی در بستر اینترنت اشیاء سلامت با تکنیک‌های متن کاوی

شناسایی موضوعات نوظهور از متون آنلاین جامعه پزشکی کاری مهم ولی بسیار پیچیده است، زیرا دراکثر موارد، اطلاعات مرتبط بین منابع مختلف پزشکی و در زبان ها و فرمت های گوناگون پراکنده شده‌ است و ممکن است با هزاران موضوعات دیگر تداخل و همپوشانی داشته باشند. هدف از این پژوهش، شناسایی موضوعات نوظهور از متون آنلاین جامعه پزشکی بطور موثر است و با بهره گیری از بستر اینترنت اشیاء سلامت و همچنین تکنیک‌های متن کاوی سعی می شود تا شناسایی موضوعات نوظهور جامعه پزشکی با دقت بالاتری انجام شود. در این پژوهش اقدام به کاهش ابعاد داده های ورودی با الگوریتم chi-square شده است و با استفاده از الگوریتم cobweb اقدام به شناسایی موضوعات نوظهور شده است. برای سنجش نتایج روش پیشنهادی با روشهای مبتنی بر الگوریتمهای kmeans و em مقایسه شده است و کیفیت حاصله براساس معیار-f بر حسب درصد مقایسه شده است. نتایج آزمایشگاهی نشان داد که روش پیشنهادی نسبت به دو روش دیگر دارای عملکرد بهتری است. با آنکه الگوریتم kmeans در بعضی حالات به میزان جزیی از روش پیشنهادی بهتر عمل کرده است ولی در باقی موارد، روش پیشنهادی دارای کارایی بطور قابل ملاحظه بهتری است. الگوریتم em نیز دارای فاصله قابل توجهی با دو روش مورد مقایسه دیگر است و از نظر کارایی به پای دو روش دیگر نرسیده است. میانگین کارایی حاصله برای روشهای مورد مقایسه نیز نشان داد که روش پیشنهادی دارای عملکرد میانگین بهتری نسبت به دو روش دیگر بوده است.

emerging topic detection from medical community online texts in the context of the internet of health things (ioht) using text mining techniques

emerging topics detection from the online texts of the medical community is an important but very complex task, because in most cases, relevant information is scattered among different medical sources and in different languages and formats, and may overlap with thousands of other topics. . the purpose of this research is to effectively identify emerging topics from the online texts of the medical community, and by using the internet of health objects platform as well as text mining techniques, an attempt is made to identify the emerging topics of the medical community with higher accuracy. in this research, the dimensions of the input data have been reduced with the chi-square algorithm, and emerging topics have been identified using the cobweb algorithm. to measure the results, the proposed method has been compared with methods based on kmeans and em algorithms, and the resulting quality has been compared based on the f-criterion in terms of percentage. the laboratory results showed that the proposed method has better performance than the other two methods. although the kmeans algorithm has performed slightly better than the proposed method in some cases, in other cases, the proposed method has significantly better performance. the em algorithm also has a significant gap with the other two compared methods and has not reached the level of the other two methods in terms of efficiency. the average performance obtained for the compared methods also showed that the proposed method has a better average performance than the other two methods.