요약

  • CiteSeer 시연용 데이터베이스에서는 검색 요청의 약 20%에 저자 이니셜이 포함됐다.
  • 1999년 실험에서 이니셜이 들어간 요청의 평균 처리 시간은 위치 캐시와 문서별 조회를 적용한 뒤 1.91초에서 0.26초로 줄었다.

참고문헌에서 이름을 줄이면 공간이 절약된다. 나중에 저자를 찾는 사람에게는 그 한 글자가 남은 단서가 된다. 초기 학술 검색 서비스 CiteSeer는 이 단서를 받아 주다가 계산 비용을 톡톡히 치렀다. 작다고 가벼운 요청은 아니었다.

NEC Research Institute의 Steve Lawrence, Kurt Bollacker, C. Lee Giles가 쓴 1999년 논문에는 m jordan, m i jordan 같은 검색 예가 나온다. 성 근처에 해당 이니셜이 있는 자료를 찾아 달라는 주문이다. 몇 글자에 불과한 요청이 종종 몇 초씩 걸렸다. 도서관을 멈칫하게 한 것은 두꺼운 책보다 작은 알파벳이었다.

흔한 글자에도 할 일이 있었다

검색 색인은 자주 나오는 단어를 빼기도 한다. CiteSeer는 그런 단어도 남겨 두었다. 논문의 인용 정보에는 저자의 이름 전체 대신 성과 이니셜만 적힌 경우가 많았다. 흔한 성을 찾는 독자에게 이니셜은 결과를 좁힐 수단이었다. 구문 검색과 근접 검색으로 이름 조각들이 서로 가까이 있어야 한다는 조건도 붙일 수 있었다.

이 서비스는 원래 웹에 흩어진 논문을 인용 관계로 엮는 일을 했다. 1998년 프로젝트 논문은 참고문헌 추출, 같은 논문을 가리키는 서로 다른 인용 표기의 묶음, 논문 사이의 연결을 설명한다. 문서 끝의 목록이 다음 논문으로 가는 길이 된 셈이다.

입고된 자료부터 손볼 것이 많았다. 1999년 6월 Computer 논문에 따르면 PostScript와 PDF를 텍스트로 바꾸고 참고문헌 부분을 찾은 뒤, 식별 표지나 줄 간격, 들여쓰기로 항목을 나눴다. 일부 PostScript 파일은 페이지 순서가 거꾸로여서 다시 정렬해야 했다. 디지털 도서관의 근사한 약속 뒤에는 뒤집힌 서류철을 바로잡는 일이 있었다.

이니셜은 정리가 끝난 뒤에도 문제를 만들었다. 한 글자가 수많은 인용에 등장하니, 성과의 거리를 확인하려면 문서 목록과 위치 정보를 길게 훑어야 할 수 있었다. 시연용 데이터베이스 요청의 약 20%가 저자 이니셜을 썼다. 요청 다섯 개 가운데 하나꼴의 수요를 예외로 치부하기는 어려웠다.

한 글자에 전용 서랍을 주다

1999년 보고서의 실험에는 약 20만 문서와 250만 건이 넘는 인용을 담은 데이터베이스가 쓰였다. 연구진은 이니셜 없는 요청 25개와 있는 요청 25개를 무작위로 골랐다. 평균 실행 시간은 각각 0.28초와 1.91초였다. 논문은 그 차이를 약 일곱 배로 표현했다.

해법은 단어의 위치 목록을 캐시에 저장하고, 각 이니셜마다 문서 식별자로 위치를 찾을 수 있는 표를 두는 것이었다. 후보 문서를 알면 그 문서 안에서 이니셜이 있는 곳으로 곧바로 갈 수 있다. 가까이 있는지를 비교하는 과정에서 문서 목록 전체를 확인하는 일을 대체로 피하게 됐다.

이후 이니셜 요청 그룹의 평균은 0.26초가 됐다. 그 50개 요청을 대상으로 한 실험에서는 다른 그룹보다 조금 빨랐다. 독자가 보낸 글자는 그대로였고, 색인이 그 글자를 찾으러 다니는 수고가 줄었다.

검색 결과를 검토할 통로도 마련돼 있었다. Context는 인용 주변의 문장을 보여 줬고, Check는 같은 논문으로 묶인 개별 인용 표기를 열어 줬다. 독자는 해당 연구가 어떻게 언급됐는지 읽고, 왜 하나로 묶였는지도 살펴볼 수 있었다. 이니셜로 좁혀진 결과에는 판단을 다시 해 볼 자료가 붙어 있었다.