الخلاصة

  • احتوت نحو 20% من استعلامات قاعدة CiteSeer التجريبية على أحرف أولى لأسماء المؤلفين.
  • في اختبار عام 1999، انخفض متوسط زمن هذه الاستعلامات من 1.91 ثانية إلى 0.26 ثانية بعد تحسين الوصول إلى مواقع الكلمات.

تختصر قائمة المراجع اسم الباحث في حرف، ثم تترك للقارئ مهمة العثور عليه بما تبقّى. أخذ CiteSeer، أحد مشروعات البحث العلمي المبكرة على الويب، هذا الحرف على محمل الجد. لكن الحاسوب لم يستضفه مجانًا.

في ورقة المشروع المنشورة عام 1999، أورد Steve Lawrence وKurt Bollacker وC. Lee Giles من NEC Research Institute مثالَي البحث m jordan وm i jordan. الطلب بسيط: حرف بجوار اسم عائلة. ومع ذلك، كانت هذه الاستعلامات تستغرق أحيانًا عدة ثوانٍ. بدا أن أصغر عناصر الاسم يحتاج إلى أكبر قدر من الصبر.

الحرف الشائع قد يحمل الدليل

تستبعد فهارس البحث أحيانًا الكلمات شديدة التكرار لتخفيف العمل. احتفظ CiteSeer بها. ففي المراجع العلمية كثيرًا ما يحل الحرف الأول محل الاسم الكامل، ويصبح مفيدًا عند البحث عن اسم عائلة شائع. ويتيح البحث بالعبارة أو بتقارب الكلمات اشتراط وجود أجزاء الاسم قرب بعضها.

كان هذا التفصيل جزءًا من مهمة ترتيب الأدبيات العلمية المبعثرة على الويب. وصفت ورقة عام 1998 استخراج المراجع من الأوراق، وجمع الصيغ المختلفة التي تشير إلى العمل نفسه، وربط الأوراق بعلاقات الاستشهاد. أصبحت قائمة المراجع طريقًا إلى قراءة أخرى بدل أن تبقى نهاية الصفحة.

وكان ترتيب المادة القادمة يحتاج إلى أعمال متواضعة للغاية. شرحت ورقة Computer في يونيو 1999 تحويل ملفات PostScript وPDF إلى نص، والعثور على قسم المراجع، وتقسيمه باستخدام علامات التعريف والمسافات أو الإزاحات. بعض ملفات PostScript جاءت صفحاتها بترتيب معكوس، فاحتاجت إلى إعادة ترتيب. حتى مكتبة المستقبل كان عليها أن تقلب رزمة الورق إلى وجهها الصحيح.

أما الأحرف الأولى فأنتجت كلفة من نوع آخر. يظهر الحرف الواحد في عدد هائل من الاستشهادات، وقد يتطلب التأكد من قربه من اسم العائلة المرور بقائمة طويلة من الوثائق والمواقع. كانت نحو 20% من استعلامات قاعدة العرض التجريبية تتضمن أحرفًا أولى لأسماء المؤلفين. صار للاستثناء المزعج جمهور يصعب تجاهله.

درج يختصر الجولة

استخدم الاختبار الوارد في ورقة 1999 قاعدة تضم نحو 200 ألف وثيقة وأكثر من 2.5 مليون استشهاد. اختار الباحثون عشوائيًا 25 استعلامًا بلا أحرف أولى و25 استعلامًا تتضمنها. بلغ متوسط الزمن 0.28 ثانية للمجموعة الأولى و1.91 ثانية للثانية. وصف النص الفارق بأنه يقارب سبعة أضعاف.

خزّن CiteSeer قوائم مواقع الكلمات في ذاكرة مؤقتة، وأنشأ لكل حرف أول جدولًا يمكن الرجوع إليه بمعرّف الوثيقة. عندما تُحدَّد وثيقة مرشحة، يستطيع النظام الوصول مباشرة إلى مواقع الحرف داخلها. وهكذا كانت مقارنة تقارب الكلمات تتجنب عادةً فحص قائمة الوثائق كاملة.

هبط متوسط مجموعة الأحرف الأولى إلى 0.26 ثانية. في ذلك الاختبار التاريخي ذي الاستعلامات الخمسين، أصبحت المجموعة المتعبة أسرع قليلًا من المجموعة الأخرى. احتفظ القارئ بصيغة سؤاله، بينما تعلّم الفهرس أين يمد يده بدل أن يفتش الأدراج كلها.

وأتاح النظام للقارئ فحص ما وجده. كان رابط Context يعرض المقطع المحيط بالاستشهاد، ويعرض Check الصيغ الفردية التي جُمعت بوصفها إحالات إلى الورقة نفسها. يستطيع الباحث قراءة طريقة استخدام العمل، ومراجعة أساس جمع الإحالات. الحرف يضيّق مجال البحث، والمراجع المحفوظة تتيح متابعة التحقق بعد الوصول.