Zusammenfassung

  • Rund 20 Prozent der Anfragen an CiteSeers Demonstrationsdatenbank enthielten Autoreninitialen.
  • Im Versuch von 1999 sank die mittlere Laufzeit dieser Suchanfragen durch Cache und dokumentbezogene Tabellen von 1,91 auf 0,26 Sekunden.

Wer einen Vornamen in einer Literaturangabe auf einen Buchstaben verkürzt, spart Druckerschwärze. Die Suchmaschine bekommt dafür zusätzliche Arbeit. CiteSeer, ein frühes Projekt zur Erschließung wissenschaftlicher Texte im Web, nahm diesen Tausch erstaunlich ernst.

Im Projektbericht von 1999 nannten Steve Lawrence, Kurt Bollacker und C. Lee Giles vom NEC Research Institute die Suchanfragen m jordan und m i jordan. Ein Buchstabe neben einem Nachnamen: ein bescheidener Wunsch, für den der Rechner häufig mehrere Sekunden brauchte. Der kleine Zusatz hatte einen großen Aktenstapel.

Häufig heißt noch lange nicht entbehrlich

Suchindizes lassen besonders häufige Wörter oft weg. CiteSeer behielt sie. In Literaturverweisen stehen Vornamen häufig nur als Initialen. Gerade bei verbreiteten Nachnamen hilft der zusätzliche Buchstabe, die Suche einzugrenzen. Mit Phrasen- und Abstandssuchen lässt sich außerdem verlangen, dass die Namensbestandteile nahe beieinander vorkommen.

Das gehörte zu einem größeren Aufräumprojekt. Der Aufsatz von 1998 beschrieb, wie CiteSeer Literaturverweise aus wissenschaftlichen Web-Dokumenten extrahierte, verschiedene Schreibweisen derselben Referenz zusammenführte und Texte über ihre Zitate verband. Aus einem Literaturverzeichnis wurden begehbare Wege zu weiteren Arbeiten.

Der Weg dorthin führte durch wenig feierliche Aufgaben. Im Computer-Beitrag vom Juni 1999 erläuterte das Team, wie PostScript- und PDF-Dateien in Text umgewandelt wurden. Danach mussten Literaturverzeichnisse gefunden und Einträge anhand von Kennzeichen, Abständen oder Einrückungen getrennt werden. Manche PostScript-Dateien lieferten ihre Seiten rückwärts. Auch eine digitale Bibliothek braucht jemanden, der den Stapel richtig herum hinlegt.

Initialen verursachten anschließend ein eigenes Suchproblem. Einzelne Buchstaben kamen in sehr vielen Referenzen vor. Zu prüfen, ob sie nahe am gesuchten Nachnamen standen, konnte lange Listen von Dokumenten und Positionen beschäftigen. Rund 20 Prozent der Anfragen an die Demonstrationsdatenbank enthielten Autoreninitialen. Eine Randerscheinung mit einem Fünftel der Kundschaft hätte wohl ein größeres Wartezimmer gebraucht.

Der Index lernte, gezielt nachzuschlagen

Für den Versuch nutzten die Forscher eine Datenbank mit ungefähr 200.000 Dokumenten und mehr als 2,5 Millionen Zitaten. Sie wählten zufällig 25 Suchanfragen ohne Initialen und 25 mit Initialen aus. Die mittleren Laufzeiten lagen bei 0,28 beziehungsweise 1,91 Sekunden. Im Text wurde der Abstand als etwa siebenfach beschrieben.

CiteSeer speicherte Listen der Wortpositionen im Cache. Für jede Initiale kam eine Tabelle hinzu, über die sich ihre Positionen anhand der Dokumentkennung abrufen ließen. War ein mögliches Dokument gefunden, konnte das System die betreffende Stelle gezielt nachschlagen. Bei Abstandstests musste es normalerweise nicht mehr die gesamte Dokumentliste prüfen.

Danach benötigte die Gruppe mit Initialen durchschnittlich 0,26 Sekunden. In diesem historischen Versuch mit insgesamt fünfzig Suchanfragen war sie sogar etwas schneller als die Vergleichsgruppe. Der Buchstabe blieb Bestandteil der Anfrage und erhielt einen günstigeren Zugangsweg.

Auch die Ergebnisse boten Einblick in die Arbeit des Systems. Context zeigte den Text um ein Zitat. Check öffnete die einzelnen Literaturangaben, die CiteSeer derselben Arbeit zugeordnet hatte. Leser konnten damit sowohl die Verwendung eines Aufsatzes als auch die Grundlage einer Zusammenfassung prüfen. Der Suchindex durfte sortieren; die Belege blieben erreichbar.