Compare the performance of the suggestion tool in Google, Yahoo and Bing search engines

Document Type : Research Paper

Authors

1 M. A of Department Knowledge and Information Science, University of Isfahan, Isfahan, Iran.

2 Masters of Knowledge and Information Science University of Isfahan

Abstract

purpose: The purpose of this study was to compare the performance of the tool suggestion by Google, Yahoo, Bing, Ask and Web crawler search engines.
Methodology: The method of this research is descriptive-exploratory. The population composed of all is search engines with suggestion tools, including five search engines (Google, Yahoo, Bing, Ask and Web crawler), based on popularity and user-friendliness. In order to achieve the research purpose, Data collection tools were designed checklists, which totally included 10 questions and 10 keywords, were selected based on the subject headings of the Persian language. Accordingly, in the first step of data collection, the search engines proposed for these 20 sample queries were searched for and the relevance of the 10 first results of each of the proposed cases was examined. and finally, based on relevance. These results compared the performance of five sample search engines in terms of the relevance of the proposed items by query samples.
Findings: The research findings indicate that the Google search engine has a better position than Yahoo's, Bing's, Ask's and Web crawler's search engines in terms of the performance of the suggestion tools in providing information related to the user's query in the form of questions and keywords in the checklist. Also, by measuring the precision of the data retrieved in these three search engines and calculating its average, Google ranked 55.68, Yahoo with 48.92, Web crawler with 46.90, Ask with 40.17 and Bing 32.62 points, in terms of the precision of the data retrieved.
Conclusions: In general, according to the findings, suggestion tools perform better in Google's search engine and, by guessing user thinking, suggests information related to the user's query.

Keywords

Main Subjects

References

خورشاهیان، فاطمه (1395). سیستم‌های پیشنهاددهنده در موتورهای جستجو. دانشگاه فردوسی مشهد. دانشکده مهندسی گروه کامپیوتر.
مطهری نژاد، مریم سادات؛ ذوالفقارزاده، محمدمهدی؛ خدنگی، احسان و سعدآبادی، علی‌اصغر (1395). طراحی مدلی برای بهبود سیستم‌های پیشنهاددهنده بانکی براساس پیش‌بینی علایق مشتریان: کاربرد روش­های داده­کاوی. مدیریت فناوری اطلاعات، 8(2)، 393-414.
امیری منش، مکیه، هارون‌آبادی، علی و گلاب پور، امین (1393). یک سیستم پیشنهاددهنده وب مبتنی بر خوشه­بندی فازی و قوانین انجمنی وزندار. بیستمین کنفرانس ملی سالانه انجمن کامپیوتر ایران، دانشگاه فردوسی مشهد. 507-513.
فتاحی، رحمت­الله (1385). شناسایی و تحلیل واژگان عمومی در منابع وب: رویکردی نو به بسط عبارت جستجو با استفاده از زبان طبیعی در موتورهای کاوش. مطالعات تربیتی و روانشناسی دانشگاه فردوسی مشهد،7(1)، 31-52.
فتاحی، رحمت­الله؛ خسروی، عبدالرسول؛ پریرخ، مهری و دیانی، محمدحسین (1395). تحلیل بسط جستجوی کاربران در موتور کاوش گوگل بر پایه نظریۀ بارشناختی. کتابداری و اطلاع‌رسانی، 34 (2)، 9- 33.
حیاتی، زهیر؛ طاهریان، آمنه سادات (1388). بررسی مقایسه­ای الگوی جستجو کلیدواژه­ای با دریافت کمک و الگوی جستجوی بدون دریافت کمک در موتورهای کاوش گوگل از دیدگاه کاربران. مطالعات تربیتی و روانشناسی دانشگاه فردوسی مشهد، 10(2)، 91-112.
حیاتی، زهیر؛ شفیعی سروستانی، لاله (1390). مقایسه ربط منابع بازیابی شده با استفاده از روش بسط پرسش موتور جستجوی اسک و واژگان عمومی از دیدگاه کاربران در رشته علوم کتابداری و اطلاع­رسانی. مطالعات کتابداری و علم اطلاعات، 8(3)، 49-66.
طباطبایی جعفری، زهره (1390). بررسی شیوه­های بسط پرسش در رفتار جستجوی اطلاعاتی کاربران در موتورهای جستجو: مطالعه در میان دانشجویان تحصیلات تکمیلی علوم کتابداری و اطلاع­رسانی دانشگاه­های سراسری شهر تهران، پایان­نامه کارشناسی ارشد، دانشکده ادبیات و علوم انسانی، دانشگاه قم.
صنوبری، سعید؛ میثاقیان، نگین و جلالی، مهرداد (1392). سیستم پیشنهاددهنده مبتنی بر آنتولوژی و زمان. فناوری اطلاعات در طراحی مهندسی، 6(2)، 58-70.
فرصتی، رعنا؛ میبدی، محمدرضا. (1387). الگوریتمی مبتنی بر ساختار پیوندی صفحات و اطلاعات استفاده کاربران برای پیشنهاد صفحات وب، دومین کنفرانس داده‌کاوی ایران، تهران، دانشگاه صنعتی امیرکبیر.
 
Kangas, S. (2002). Collaborative filtering and recommendation systems. in: VTT information technology. Espoo: VTT.
Kato, M., Sakai, T. & Tanaka, K. (2013). When do people use query suggestion? A query suggestion log analysis. Information retrieval, 16(6), 725-746.
Kelly, D, Cushing, A. Dostert, M. Niu, Xi. & Gyllstrom, K.  (2010). Effect of popularity and quality on the usage of query suggestion during information search. In proceeding of the 28th ACM conference on Human factors in computing systems: 45-54, Atlanta, GA, April 10-15.
Kim, Y. S., Yum, B. J., Song, J. & Kim, S. M. (2005). Development of a recommender system based on navigational and behavioral patterns of customers in e-commerce sites. Expert Systems with Applications, 28(1), 381-393.
Liang, T.P., Hung-Jen, L. & Yi-Cheng K.(2006). Personalized content recommendation and user satisfaction: Theoretical synthesis and empirical findings. Journal of Management Information Systems, 23(3) , 45-70.
Martín-Guerrero, J. D., Lisboa, P. J., Soria-Olivas, E., Palomares, A. & Balaguer, E. (2007). An approach based on the Adaptive Resonance Theory for analyzing the viability of recommender systems in a citizen Web portal. Expert Systems with Applications, 33(3), 743-753.
Nui, X. & Kelly, D. (2014). Use of query suggestion during information search. information processing and management, 50(1), 218-234.
Plansangket, Suthira & Gan, John Q. (2015). A query suggestion method combing TF-IDF and jaccard Coefficient for interactive web search. Artificial intelligence research, 4(2), 119-125.
Xu, Z.,  Luo, X., Yu, J. & Xu, W. .(2010) MiningWeb search engines for query suggestion.  Concurrency Computat, 23, 1101–1113.

Files

History

  • Receive Date: 28 April 2018
  • Revise Date: 13 May 2018
  • Accept Date: 24 May 2018
  • First Publish Date: 24 May 2018

Share

How to cite

Statistics