Кратко

  • Около 20% запросов к демонстрационной базе CiteSeer содержали инициалы авторов.
  • В эксперименте 1999 года среднее время таких запросов сократилось с 1,91 до 0,26 секунды благодаря кешу и поиску позиций по документу.

В библиографии имя легко ужать до одной буквы. Человеку, который потом ищет автора, приходится работать с остатками. CiteSeer, ранний поисковый проект для научных публикаций в Сети, решил эти остатки сохранить. Компьютер выставил счёт за обслуживание.

В статье 1999 года Steve Lawrence, Kurt Bollacker и C. Lee Giles из NEC Research Institute привели запросы m jordan и m i jordan. Читатель хотел найти инициал рядом с фамилией. Машина нередко тратила на это несколько секунд. Буква занимала мало места на странице, зато основательно распоряжалась рабочим временем индекса.

Частое бывает полезным

Поисковые индексы могут исключать слишком распространённые слова. CiteSeer сохранял их все. В ссылках на научные работы имена часто сокращены до инициалов, и при распространённой фамилии такая буква помогает сузить выбор. Поиск фразы или слов на заданном расстоянии позволял потребовать, чтобы части имени стояли рядом.

Проект уже занимался беспорядком в научных ссылках. Его описание 1998 года рассказывало об извлечении библиографических записей из сетевых статей, объединении разных способов сослаться на одну работу и переходах между публикациями. Список литературы превращался в систему маршрутов.

Подготовка материалов требовала вполне хозяйственных усилий. В июньской статье 1999 года в Computer описаны преобразование PostScript и PDF в текст, поиск раздела литературы и разделение записей по меткам, интервалам или отступам. В некоторых файлах PostScript страницы шли задом наперёд; их приходилось переставлять. Цифровое будущее библиотеки начиналось с того, чтобы правильно сложить стопку.

Инициалы создавали следующую трудность. Одна буква встречалась в огромном количестве ссылок. Проверка её положения относительно фамилии могла потребовать просмотра длинного перечня документов и позиций. В демонстрационной базе около 20% запросов использовали авторские инициалы. У этого частного случая была слишком большая приёмная, чтобы оставить его без внимания.

Короткий путь к позиции

Для эксперимента исследователи использовали базу примерно из 200 тысяч документов с более чем 2,5 миллионами цитирований. Случайным образом выбрали 25 запросов без инициалов и 25 с ними. Среднее время составило соответственно 0,28 и 1,91 секунды. В тексте разницу округлили до семикратной.

Разработчики поместили списки позиций слов в кеш и создали для каждого инициала таблицу, доступную по идентификатору документа. Теперь, найдя подходящий документ, можно было сразу получить позиции нужной буквы внутри него. При проверке близости слов обычно отпадала необходимость просматривать весь список документов.

После изменения запросы с инициалами в среднем выполнялись за 0,26 секунды. В этом историческом опыте на пятидесяти запросах они даже немного обогнали другую группу. Ускорение получилось благодаря более прямому доступу к сведениям, а читатель сохранил свою подсказку целиком.

Результат поиска также оставлял возможность проверки. Ссылка Context показывала текст вокруг цитирования, а Check — отдельные библиографические записи, объединённые как ссылки на одну статью. Можно было посмотреть, как использовали работу, и оценить основание для объединения. Каталог давал ответ вместе с материалом, по которому читатель мог составить собственное мнение.