Resumo

  • Na base de demonstração, cerca de 20% das consultas usavam iniciais de autores para refinar a busca.
  • Em um teste de 1999, o tempo médio desse grupo caiu de 1,91 para 0,26 segundo com cache e acesso às posições por documento.

Cortar o prenome de um autor até sobrar uma letra é uma economia bastante comum nas referências bibliográficas. A conta chega depois, para quem tenta encontrar o sujeito. No CiteSeer, ela chegou também para o computador.

O artigo de 1999 de Steve Lawrence, Kurt Bollacker e C. Lee Giles descreve consultas como m jordan e m i jordan. Bastava juntar uma inicial a um sobrenome para a busca ficar bem mais lenta. O projeto, desenvolvido no NEC Research Institute, decidiu acomodar a letra. Ela fazia parte da pista trazida pelo leitor.

Pequena no papel, enorme no índice

Sistemas de busca podem deixar palavras muito frequentes fora do índice. O CiteSeer mantinha todas. Em uma citação, o nome abreviado exige que a inicial continue pesquisável, sobretudo quando o sobrenome é comum. As buscas por expressão e por proximidade ainda permitem exigir que os elementos do nome estejam perto uns dos outros.

Esse cuidado se encaixava no trabalho de organizar publicações espalhadas pela Web. O texto do projeto de 1998 explicava a extração de referências, a reunião de diferentes citações da mesma obra e a ligação entre artigos. Uma lista bibliográfica passava a oferecer caminhos para continuar a leitura.

Havia bastante faxina antes disso. O artigo de junho de 1999 na Computer descrevia a conversão de PostScript e PDF em texto e a procura pela seção de referências. Marcas de identificação, espaçamento e recuo ajudavam a separar cada entrada. Alguns arquivos PostScript vinham com as páginas invertidas e precisavam ser reorganizados. A biblioteca digital tinha ambições elevadas e serviço de arrumação no térreo.

A inicial trazia outro tipo de incômodo. Como letras isoladas apareciam em muitas citações, verificar sua posição perto do sobrenome podia exigir a passagem por uma lista extensa de documentos. Cerca de 20% das consultas na base de demonstração continham iniciais de autores. O detalhe tinha público suficiente para ganhar prioridade.

A letra ganhou endereço

Na experiência relatada em 1999, a base reunia aproximadamente 200 mil documentos e mais de 2,5 milhões de citações. Foram sorteadas 25 consultas sem iniciais e 25 com elas. As médias ficaram em 0,28 e 1,91 segundo, respectivamente. O artigo descreveu a diferença como cerca de sete vezes.

A solução guardava em cache as listas de posições das palavras e mantinha, para cada inicial, uma tabela consultada pelo identificador do documento. Ao chegar a um documento candidato, o sistema conseguia buscar as posições daquela letra ali. A comparação de proximidade geralmente deixava de exigir uma varredura da lista inteira de documentos.

Com isso, o grupo das iniciais passou a levar 0,26 segundo em média. Naquelas cinquenta consultas, ficou até um pouco mais rápido que o outro grupo. A melhora tinha uma explicação concreta: o índice sabia onde ir buscar a informação, preservando o que o leitor havia pedido.

O resultado também abria espaço para conferência. O link Context mostrava o trecho ao redor de uma citação; Check exibia as referências que o sistema havia reunido como citações do mesmo artigo. O leitor podia examinar o uso do trabalho e a base da reunião feita pelo buscador. Encontrar um nome era o começo. Havia documentos disponíveis para conferir o resto.