Resumen

  • Las búsquedas con iniciales suponían alrededor del 20% de las consultas de la base de demostración de CiteSeer.
  • Guardar posiciones en caché y localizarlas por documento redujo de 1,91 a 0,26 segundos la media de ese grupo en una prueba de 1999.

La bibliografía se ahorra un nombre y escribe una inicial. Después, alguien tiene que encontrar al autor con lo que queda. Ese pequeño ahorro tipográfico acabó pasando factura a CiteSeer, uno de los proyectos que convirtieron las publicaciones científicas dispersas por la Web en una biblioteca navegable.

En su artículo de 1999, Steve Lawrence, Kurt Bollacker y C. Lee Giles, de NEC Research Institute, incluyeron ejemplos como m jordan y m i jordan. La petición era razonable: buscar unas letras cerca de un apellido. La respuesta podía tardar varios segundos. La máquina estaba descubriendo que las abreviaturas también dan trabajo.

Una pista demasiado frecuente

Los índices suelen excluir palabras muy comunes. CiteSeer conservaba todas, porque una palabra corta puede resultar decisiva en una referencia. Ante un apellido compartido por muchas personas, la inicial ayuda a acotar. Las consultas por frase o proximidad permiten precisar que las piezas del nombre aparezcan juntas.

El proyecto ya tenía experiencia con el desorden bibliográfico. Su presentación de 1998 describía cómo extraía citas de artículos disponibles en la Web, reunía distintas maneras de citar una misma obra y enlazaba publicaciones. Con esos enlaces, el lector podía pasar de un texto a sus referencias y seguir el camino.

Pero antes había que preparar el material. El artículo publicado en Computer en junio de 1999 explicaba la conversión de PostScript y PDF a texto, la localización de la bibliografía y la separación de entradas por identificadores, espacios o sangrías. Algunos archivos PostScript traían las páginas en orden inverso. La biblioteca del futuro también necesitaba a alguien que enderezara los papeles.

Con las iniciales, el problema surgía después de esa limpieza. Una letra aparecía en muchísimas citas. Comprobar su distancia respecto de un apellido podía obligar a recorrer largas listas de documentos y posiciones. Cerca del 20% de las consultas de la base de demostración incluían iniciales de autores. Había demasiados lectores en esa cola para despacharla como una rareza.

El atajo estaba en el fichero

Los investigadores probaron una base de unos 200000 documentos con más de 2,5 millones de citas. Eligieron al azar 25 consultas sin iniciales y otras 25 con ellas. Las primeras tardaron una media de 0,28 segundos; las segundas, 1,91. El texto resumía la diferencia como unas siete veces más.

CiteSeer guardó en caché las listas de posiciones de las palabras. Además, creó para cada inicial una tabla que permitía llegar a sus posiciones mediante el identificador del documento. Así, al comprobar la proximidad entre términos, normalmente podía evitar recorrer la lista completa de documentos. Se conservaba la letra y se reducía el rodeo para encontrarla.

La media del grupo con iniciales bajó a 0,26 segundos. En aquella prueba de cincuenta consultas, el grupo problemático terminó ligeramente por delante del otro. La tabla permite ver tanto el tamaño del experimento como la razón del arreglo: un acceso más directo a la información necesaria.

El lector también disponía de herramientas para examinar el resultado. Context mostraba el pasaje que rodeaba una cita. Check abría las distintas referencias agrupadas como una misma publicación. Era posible mirar cómo se había utilizado un trabajo y revisar las pruebas del agrupamiento. La inicial servía para llegar más cerca; las referencias conservadas permitían comprobar dónde se había aterrizado.