Résumé

  • Environ 20% des requêtes de la base de démonstration comportaient des initiales d'auteurs, utiles pour préciser un nom courant.
  • Dans le test publié en 1999, un cache et une table par document ont ramené leur durée moyenne de 1,91 à 0,26 seconde.

Dans une bibliographie, un prénom peut finir réduit à une lettre. Pour retrouver son auteur, il faut pourtant pouvoir la chercher. CiteSeer, qui organisait les articles scientifiques éparpillés sur le Web, avait pris ce détail au sérieux. Son ordinateur le lui faisait payer.

Le rapport de 1999 signé Steve Lawrence, Kurt Bollacker et C. Lee Giles donne deux requêtes toutes simples : m jordan et m i jordan. Quelques caractères suffisaient à occuper le moteur plusieurs secondes. Voilà un service documentaire obligé de revoir son rangement à cause d'une initiale.

Les petits mots ont parfois de grands dossiers

Un index peut écarter des mots très fréquents pour alléger le travail. CiteSeer les conservait. Dans une référence, les initiales accompagnent souvent un nom de famille assez répandu ; elles offrent alors un moyen de resserrer la recherche. Les recherches par expression ou par proximité permettent de demander que ces morceaux du nom apparaissent ensemble.

Cette précision s'inscrivait dans un travail beaucoup plus vaste. Le premier article de 1998 décrivait l'extraction des références contenues dans les publications du Web, le regroupement de citations rédigées différemment et les liens entre articles. Le lecteur pouvait commencer par quelques mots, puis suivre les pistes de la bibliographie.

La matière première avait ses caprices. Dans leur article de juin 1999, les auteurs expliquaient comment les fichiers PostScript et PDF étaient convertis en texte. Il fallait repérer les références, séparer leurs entrées grâce aux identifiants, aux espacements ou aux retraits. Certains fichiers PostScript avaient même leurs pages à l'envers. Avant de promettre l'accès au savoir, la bibliothèque numérique remettait les feuilles dans l'ordre.

L'initiale posait un autre problème : elle se retrouvait dans énormément de citations. Vérifier sa proximité avec un nom pouvait demander de parcourir une longue liste de documents et de positions. Environ 20% des requêtes de la base de démonstration utilisaient des initiales. Le cas particulier commençait à avoir beaucoup de monde à son guichet.

Un tiroir pour chaque lettre

L'étude de 1999 utilisait une base d'environ 200000 documents et de plus de 2,5 millions de citations. Les chercheurs avaient tiré au hasard 25 requêtes sans initiales et 25 avec. La durée moyenne atteignait respectivement 0,28 et 1,91 seconde : presque sept fois plus pour le second groupe.

Ils ont conservé les listes de positions des mots en cache, puis créé pour chaque initiale une table permettant de retrouver ses positions à partir de l'identifiant du document. Une fois le document repéré, le moteur accédait directement aux emplacements utiles. Les comparaisons de proximité pouvaient généralement éviter de parcourir toute la liste des documents.

Le groupe avec initiales est alors descendu à 0,26 seconde. Dans ce petit test historique, il passait même légèrement devant l'autre groupe. La lettre avait obtenu un meilleur tiroir. Le lecteur gardait sa question entière.

Le résultat restait aussi inspectable. Le lien Context montrait le passage entourant une citation. Le lien Check affichait les différentes références que le système avait regroupées comme désignant le même article. On pouvait ainsi regarder comment un texte avait été cité, puis contrôler le rapprochement effectué par le moteur. Une recherche affinée débouchait sur des pièces à examiner, ce qui est une attention appréciable de la part d'un catalogue.