Recuperación de Información en la Web

Nos hemos trasladado.

2009-10-22T21:17:00.005+02:00

Por fin he encontrado el momento de poder exportar este blog a su nueva ubicación http://irsweb.es, nuevo sitio web donde además del blog intentaremos recopilar más recursos sobre la Recuperación de Información, tal como es el repositorio específico de documentos sobre evaluación de la RI.

Allí os espero,

Javier

¿Qué es un "vínculo profundo"?

2009-09-30T23:40:00.003+02:00

Leo en Ojobuscador una breve noticia acerca de que Bing aumentará la información procedente de los "vínculos profundos" (o 'deep linking') de un sitio web recuperado. Lo cierto es que de la noticia no llego a enterarme de nada (excepto de que comentan que la tecnología no es nueva) hasta que rastreo "profundamente" por la web y en un foro encuentro la definición de ese tipo de vínculo que llega tan hasta dentro que se califica como "profundo". La misma es muy simple, porque "realmente los vínculos profundos no son más que hipervínculos normales y corrientes, que en lugar de vincular con la página principal de la web externa lo hacen a una de las páginas interiores".

Sin tener muy claro dónde está la noticia, presto atención al ejemplo que aparece en el post original de Bing community:

Y entonces ya tengo claro lo que son esos vínculos profundos, las secciones previamente identificadas de un sitio web localizado. El buscador no sólo nos lleva a la home page sino que muestra los sitios (supongo) más visitados del portal.

Más que sorprenderme que Bing vaya a usar estos hiperenlaces como fuente de información, lo que me llama la atención es que no los usara hasta ahora. ¿O no?

Clustering engines.

2009-07-10T20:15:00.003+02:00

Esta tarde he visto una expresión que me ha llamado la atención: "clustering engines". Se trata de aquellos IRSWEB que "habitualmente presentan sus resultados de búsqueda en formato de un mapa de dos dimensiones sobre el que se puede navegar a través del mismo en busca de la mejor respuesta" (ReadWriteWeb). Los motores de búsqueda como KartOO y Quintura son excelentes ejemplos. Es curioso el sistema KartOO que para unos autores es buscador y para otros metabuscador (como ya hablamos hace tiempo en otro post).

Imagino que casi todos lectores de este humilde blog tienen claro lo que es el clustering, pero como es un término utilizado en varias áreas científicas y técnicas, os dejo la definición que Wikipedia hace de los algoritmos de agrupamiento (clustering): Un algoritmo de agrupamiento (en inglés, clustering) es un procedimiento de agrupación de una serie de vectores según criterios habitualmente de distancia; se tratará de disponer los vectores de entrada de forma que estén más cercanos aquellos que tengan características comunes. Un algoritmo de clustering permite extraer representantes de un conjunto de datos, que pueden ser posteriormente usados para transmisión, para eliminación de ruido o con una fase posterior de calibración, para clasificación de vectores en diferentes conjuntos.

Lucha de gigantes.

2009-07-05T21:56:00.004+02:00

Hoy he leído en El País (curiosamente en su edición impresa que es domingo y estoy en la playa), un interesante artículo sobre las diferentes estrategias de Google y Microsoft para "dominar el mundo" a partir, especialmente, del lanzamiento hace poco más de un mes del nuevo buscador Bing. Lo copio (también lo enlazo desde el título de este post):

Estrategias de titanesMicrosoft y Google rivalizan por el mercado de los buscadores DAVID ALANDETE - Washington - 05/07/2009 

En su permanente juego de estrategia en la Red, los dos titanes de Internet han intentado atacarse mutuamente donde más duele. Microsoft ha presentado un buscador llamado Bing que ha resultado tener un discreto éxito entre los usuarios que recelan de Google.
En su permanente juego de estrategia en la Red, los dos titanes de Internet han intentado atacarse mutuamente donde más duele. Microsoft ha presentado un buscador llamado Bing que ha resultado tener un discreto éxito entre los usuarios que recelan de Google. Esta última empresa, por su parte, ha decidido orquestar una enérgica campaña de relaciones públicas para popularizar su propio explorador web, llamado Chrome, una suerte de Internet Explorer moderno y del siglo XXI.
Bing acaba de cumplir un mes. El 28 de mayo sustituyó a Microsoft Live Search, un buscador que pasó a mejor vida sin pena ni gloria, estancado en un 8% del mercado. Microsoft tenía acostumbrados a los internautas a productos más bien discretos. El hecho de que Bing funcionara, es decir, que ofreciera resultados relevantes con un diseño sencillo y que no interfiriera negativamente en la navegación, fue toda una novedad.
Microsoft, según calculan los analistas, se ha gastado unos 70 millones de euros en promocionar Bing. El tabloide The New York Postweb", decía el periodista James Doran. publicó el pasado 14 de junio una noticia adornada con un montaje fotográfico en el que enfrentaba la cara de Steve Ballmer, consejero delegado de Microsoft, a la de Sergey Brin, cofundador de Google. "Brin está tan nervioso por el lanzamiento del buscador del rival Microsoft que ha reunido a un grupo de ingenieros para que acometan modificaciones urgentes en su servicio 
En realidad, Google no tiene de qué preocuparse, de momento. Tiene una sólida posición en el mercado, donde canaliza el 60% de las búsquedas sólo en EE UU. Sin embargo, algo debe haber despertado Bing en aquella compañía para haber provocado una respuesta de su propio consejero delegado, Eric Schmidt. En una entrevista con Fox Business dijo, a principios de mes: "Copiarnos es difícil. Nosotros invertimos todo nuestro tiempo en lo que siempre hemos hecho: innovar. No creo que la llegada de Bing cambie lo que hemos estado haciendo".
En los primeros días de vida de Bing, Microsoft volvió a ser momentáneamente aquella empresa de los años noventa de prácticas sospechosamente poco competitivas. Los usuarios que tenían instalado Internet Explorer 6 veían cómo su página de inicio era sustituida por una y sólo una: Bing.com. No es un asunto menor. Según la consultora Forrester Research, el 60% de los negocios norteamericanos usan todavía Internet Explorer 6, aunque la empresa ya haya difundido la versión número 8 de ese explorador.
Estas prácticas, conscientes o inconscientes, retratan a un Microsoft realmente necesitado de tener algún éxito en el mercado de los buscadores online. Pero por una cuestión de relaciones públicas. La empresa todavía controla el 65% del mercado de los exploradores, según Net Applications. Firefox, de Mozilla, goza del 22%; Safari, de Apple, del 8%, y Chrome, el retoño de Google, del 1,8%.
Chrome es un navegador lanzado el pasado otoño de diseño moderno y minimalista, con el marchamo de Google. Carece de página de inicio. Pero la barra de navegación es en sí misma un buscador de Google, un ejemplo total de sinergia entre este producto y el famoso motor de la empresa. Es, además, uno de los poquísimos productos para los que Google ha hecho publicidad en medios tradicionales como cadenas de televisión, en Japón, o páginas web de diarios, en EE UU.
En el ámbito de los exploradores, Microsoft no tiene de qué preocuparse. Firefox sigue siendo una amenaza más sólida y creíble. A la vez, Yahoo! es un adversario más temible para Google en el mercado de los buscadores. Parece que los dos titanes de Internet permanecerán enrocados todavía por mucho tiempo, rodeados de peones. De momento, no hay jaque mate en la Red.

Algunas de estos comentarios ya los hemos planteado nosotros en esta web y también hemos recogido notas de otros autores. Parece bueno que los grandes de la Informática no se duerman en los laureles y sigan introduciendo mejoras en sus IRSWEB.

Y emulando a Juan Carlos en su blog Basketmaniaco y aprovechando el parecido del título del post con una preciosa canción, os dejo un vídeo que seguro gusta más que mis humildes comentarios.

He liberado mi libro sobre Recuperación de Información.

2009-06-03T21:08:00.001+02:00

Tras diversos avatares he decidido liberar todos mis derechos sobre este libro que elaboré hacia el año 2004 y hacerla pública a través de esta web. El objeto de la misma, en una primera instancia, no es otro que presentar parte del material que recopilé para la realización de mi tesis doctoral en un formato más dinámico e interactivo que habilitar el acceso al documento en PDF. Con el tiempo espero ir actualizando e incorporando nuevos contenidos a esta publicación, de manera que la misma llegue a convertirse en un material de referencia válido para todos los estudiantes en este campo.

En esta versión preliminar, esta publicación constará de Prólogo, los tres capítulos principales (los casos prácticos se refundirán en el nuevo texto) y la Bibliografía. No me cierro la posibilidad de actualizar este manual e incorporar un nuevo capítulo más centrado en la Web actual, pero mientras robo tiempo del algún sitio para ello, creo que puede ser un buen momento para liberarlo.

También puedes acceder (cuando esté acabada) a la versión en HTML que estoy construyendo con Drupal.

Google, Brawn GP y Bing.

2009-06-02T15:45:00.004+02:00

"Muchas noticias para tan poco tiempo" debería ser el título de este post. Aprovecho unos minutos libres antes de la clase de prácticas de Dialog esta tarde para comentar dos de las noticias que me han llamado la atención a lo largo de la mañana.

La primera es el lanzamiento (anunciado parece ya hace tiempo) de Bing, un nuevo IRSWEB de Microsoft con el que quieren igualar la desigual "lucha" que mantienen con Google por el control de la red (en realidad no hay lucha alguna, Google es hasta ahora mucho mejor). Por otra parte, parece que Ross Brawn (el ingeniero-dueño-factotumdel equipo Brawn-GP de F1) va a conseguir financiación de Google (invitó a Mónaco a Larry Page y se ve que le gustó el 'paddock'), parece Fernando que por este sitio tampoco va a haber lucha alguna este año, pero recuerda que Asturias siempre es patria querida.

«Hay que ser crítico con la información que se lee, esté en un papel de lujo o en la web»

2009-06-01T23:56:00.003+02:00

Vía facebook (enlaces de Ricardo Baeza-Yates para ser más precisos) he tenido ocasión de leer esta entrevista realizada en lne.es (diario independiente asturiano) a Carlos Castillo ("ChaTo") de quien creo ya hemos hablado alguna vez en este blog. Otra de las frases destacadas es "la mayoría de los buscadores son amnésicos, tienen que aprender a dialogar con el usuario en un contexto". Para acceder al texto completo basta seguir el enlace del título de este post.

Top 10 de la Web Semántica (I).

2009-04-24T19:25:00.003+02:00

"La Web Semántica es algo en desarrollo", "la Web Semántica es algo hacia lo que tenemos que ir pero que aún no ofrece resultados consistentes", "la Web Semántica es como Bin Laden, está pero no se le ve desde los bombardeos de Tora-Bora", etc. Casi todos recurrimos a esas frases o similares cuando hablamos de la Web Semantic Activity y de su realidad. En alguna parte del mundo tengo una "prima" que dice que ya va siendo hora de cambiar los tiempos verbales sobre este tema y comenzar a utilizar el presente de indicativo, y de la misma opinión es el blog ReadWriteWeb que incluso se atreve a presentar un 'top ten' de productos de la Web Semántica. Vamos a presentar hoy cinco de ellos y en el siguiente post el resto (el orden de presentación no incide en la importancia):

Yahoo SearchMonkey: plataforma que permitirá que las empresas o sitios web sean más interactivos con los resultados de búsqueda ofreciendo información adicional en sus resultados. No sólo va a mejorar la posibilidad de que nuevos usuarios entren en nuestras páginas sino que va a recopilar una amplia cantidad de metadatos sobre las mismas.
Powerset: motor de búsqueda basado en lenguaje natural que fue adquirido el año pasado por Microsoft con la idea de mejorar la tecnología de búsqueda de live.com (buena idea, por cierto).
Open Calais (Thomson Reuters): los dueños (entre otras muchas cosas) de Dialog y del WOK adquirieron a finales de 2007 este proyecto consistente en un conjunto de herramientas que permite a los usuarios incorporar funcionalidades semánticas dentro de su blog, gestor de contenidos CMS, sitio web o aplicación. Disponemos de una API para descargar y desarrollar con ellas nuestra propia aplicación. En ojobuscador le dedicaron un post donde dicen: "La idea de la API es simple: identificar bits interesantes en los metadatos de los documentos. Aunque dicha tecnología se basa en personas, lugares, empresas y acontecimientos también podría aplicarse a otros temas. El trabajo se realiza mediante un motor que procesa el lenguaje natural y una potente codificación. En cualquier documento que se introduzca en Calais, las identidades serán identificadas, extraídas y anotadas. Dependiendo del tamaño de los documentos, los resultados están disponibles en un segundo para los más grandes e incluso en menos para los más pequeños. Aún no está muy claro que documentos HTML podrá reconocer, ya que necesita que la cabecera y los pies del documento se marcan de manera diferente que el texto en sí. Por el momento, la aplicación es gratuita y su uso no comercial y Reuters ha expresado que se prepara para una demanda masiva. Esta tecnología podría aplicarse para mejorar las búsquedas, para construir motores que inserten automáticamente enlaces de texto en crudo, para construir alertas estructuradas o para incorporar análisis de textos en los buscadores."
Dapper MashupAds: herramienta que pretende generar feeds a partir de la información de los anuncios dinámicos que insertamos en los sitios web. Muchos de estos anuncios llevan insertos en ellos una URL con lo cual convertimos el anuncio de contexto en una información de carácter permanente. Si miramos la ilustración siguiente que hemos encontrado en tencrunch.com

con esta tecnología podremos encontrar hoteles en Chicago gracias al feed que se genera a partir del anuncio de búsqueda de la cabecera.

Hakia: sistema que usa un sistema semántico propio, con lo que traerá respuestas y resultados significativos a las preguntas de cualquier tema, mejorando sus capacidades con cada interacción del usuario (ver post publicado en este mismo y humilde blog en marzo de 2006).

Lo cierto es que tanta semántica me cansa un poco, cuando descanse, hablaremos de los otros cinco productos estrella.

23 de abril: Día del Libro.

2009-04-23T10:03:00.006+02:00

Hoy se celebra a nivel mundial el Día del Libro (y de los Derechos de Autor), en conmemoración del día en el falleció (celebrar una muerte es algo que no llego a entender bien) el autor del libro más famoso de todos los tiempos, Don Miguel de Cervantes y Saavedra. Algunos dicen que muere el 22 y se le entierra el 23 y los anglosajones nos quieren colar que ese mismo día (pero de otro año) fallece William Shakespeare, pues vale, allá ellos. En definitiva de lo que se trata es de celebrar la existencia del libro, base de la Educación y de la Cultura de los pueblos, tal como decía (entre otros) Ernesto Ché Guevara, "la base de su libertad".

Casi coincidiendo con este día tan celebrado (ahora dentro de un rato tengo que leer unos párrafos de las ingeniosas aventuras y desventuras de un Hidalgo de la Mancha, aunque yo preferiría leer hoy algo del sinpar Antonio Machado para recordarlo en el 70 aniversario de su desgraciada muerte en el exilio por culpa de los fascistas) recibí una alerta de Google informándome de que las Universidades gallegas habían puesto en marcha un buscador llamado Portico (cómo no) por medio del cual (copio del Diario de Ourense): "proporcionará información sobre revistas, libros, bases de datos, tesis, patentes, enciclopedias y demás recursos bibliográficos almacenados en el Sistema Universitario Gallego (SUG) y en el Consorcio de Bibliotecas Universitarias de Galicia (Bugalicia). Desde el nuevo portal se podrá acceder, además, a los paquetes editoriales on-line contratados por Bugalicia, entres los que se incluyen, 20.500 revistas electrónicas, 4.000 e-books y 10.500 actas de congresos, especifica el comunicado. Asimismo, Pórtico proporcionará servicios adicionales como el acceso a textos completos, la comprobación de la disponibilidad de la versión impresa de los mismos en la biblioteca o la consulta del factor de impacto internacional de una publicación".

Sinceramente quiero felicitar a los compañeros gallegos por disponer de esta utilidad de recuperación de información por medio de la cual estudiantes e investigadores podrán acceder más fácilmente a los fondos depositados en sus colecciones. Enhorabuena y a festejar.

Arranca la Biblioteca Digital Mundial.

2009-04-21T23:18:00.002+02:00

UNESCO ha presentado en sociedad un nuevo proyecto de biblioteca digital, a la cual han llamado Biblioteca Digital Mundial. Para su presentación en sociedad se han elegido documentos cinematográficos de los hermanos Lumiere prácticamente inéditos para el gran público (toros y procesiones en Sevilla, como ahora) y textos del siglo XIII digitalizados. Esperemos que con la incorporación de nuevos documentos, este proyecto se convierta en una nueva realidad.

La Web 2.0 cumple cinco años.

2009-04-06T00:26:00.002+02:00

Hoy mi sobrino Óscar ha cumplido seis años, así que según la cronología de Tim O'Reilly tenía un año de edad cuando se inventaron la "así llamada" Web 2.0 Yo, como es de suponer, he tenido fiesta de cumpleaños y O'Reilly también. La mía creo ha sido más divertida y la otra pues como más "espesa". En ésta, el gurú Tim ha expuesto cinco proyectos de ideas/tecnologías que van a convertir a la Web 2.0 en más 'smart' (que se puede traducir como "elegante" o "inteligente", ahora no tengo claro cuál de las dos acepciones es la correcta). A continuación traduzco parte de la noticia aparecida en ReadWriteWeb:

"es el momento de que la Web sea más elegante/inteligente", dijo O'Reilly. En plan "padrino" dibujó un paralelismo entre la evolución de la web y la del ser humano. Los tempranos días de los motores de búsqueda eran como un niño llevándose todas als cosas a su boca y sorprediéndose de los que son cada una de ellas. Ahora, la web está comenzando a usar todos sus sentidos juntos para hacer algo con la información a la que tiene acceso. Aquí es donde el niño está viendo qué ocurre.

A continuación el artículo presenta cinco de esas "nuevas cosas que llevarse a la boca" y lo cierto es que no tengo claro si me las llevaría o si me las llevaré algún día, bastante creo que tenemos aún con comprender mínimamente lo actual como para seguir a estos "evangelizadores de la Web".

Y por cierto, feliz quinto cumpleaños a Gmail, que también tiene 5, uno menos que mi sobrino.

Blog hermano allende los mares.

2009-03-21T18:52:00.002+01:00

Yo soy mediterráneo y siempre he de estar cerca de este milenario Mare Nostrum alrededor del cual ha surgido nuestra civilización, si bien como ceutí no puedo hacerle demérito alguno al Atlántico, el otro mar que baña nuestras lindas costas en las playas de Calamocarro y Benzú y sobre el que Sol se va todos los días camino de América para alumbrar a nuestros amigos latinoamericanos (aunque algunos atardeceres en el Estrecho no parecen terminar nunca). Desde el otro lado del Atlántico (el plus ultra romano) accesan más de la mitad de los visitantes de este humilde blog y uno de ellos, Miguel Ángel Zurdo Barroso ha creado en su Colombia natal un blog hermano allende el mar: Recuperación y Organización de la Información.

Bienvenido hermano,

Versión 8 definitiva de Internet Explorer.

2009-03-19T15:02:00.003+01:00

Microsoft anuncia para las 18 horas de hoy (hora de España imagino) la posibilidad de descargar y actualizar su navegador a la versión 8 que incorpora una serie de novedades que les permita mantener la hegemonía del navagador Internet Explorer en este sector (igual es el único relacionado con la Web donde lo hace). Entre las mejoras se habla de un menor número de clics de ratón por parte del usuario gracias a un "aprendizaje intuitivo" por parte del explorador de los gustos y tendencias del usuario y también una mayor privacidad con la opción Inprivate que borrará el historial de búsquedas de cada sesión si así se configura.

Pero como dicen en El País: "las dos grandes novedades de este producto son los slices y los aceleradores. Los primeros son pequeños trozos de contenidos dinámico, que permitirá ver y recibir las actualizaciones de noticias o de una subasta o ver las últimas novedades de una red social sin tener que cambiar de pantalla, estarán directamente en la barra de navegación.

Explorer 8 tiene los denominados aceleradores, son pequeñas programas o funcionalidades de distintos sitios web, que hacen más fácil compartir contenidos. Al utilizar el botón derecho del ratón se mostrará en cualquier página web todas estas posibilidades. Esta funcionalidad evitará un buen número de clics y apertura de nuevas pestañas. Así por ejemplo si se busca un restaurante y se quiere localizar en un mapa, bastará con darle al acelerador incorporado en el botón derecho con Google Maps para obtener el resultado en una pequeña ventana flotante y ver donde está situado sin haber tenido que salir de la página web".

Gracias a que hoy es fiesta y además hace buen día, se ve que mi espíritu está positivo e igual hago una cosa que no hice cuando la versión 7, instalar esta nueva versión (aunque de momento lo haré en el portátil).

¿Se pueden realizar preguntas normales a los IRSWEB?

2009-01-15T12:15:00.006+01:00

Recuerdo que hace mucho tiempo en la documentación del motor de búsqueda Altavista (qué buenos momentos pasábamos juntos, yo con algo menos de canas y bastante kilos menos, el motor ocupando todos nuestros corazones hasta que le traicionamos por Google) se nos indicaba que podíamos realizar preguntas en "lenguaje natural", es decir, tal y como las llevamos a cabo cuando hablamos con otra persona y recuerdo bien que el ejemplo era "restaurantes en Montevideo" y también recuerdo que al menos dos o tres de las primeras direcciones que salían en la respuesta eran de sitios donde seguramente se come una carne estupenda cocinada en plan criollo (o gaucho, vete tú a saber que aquello me pilla algo lejos).

Desde entonces no había vuelto a tener noticia de si esa posibilidad de búsqueda había caido en el olvido o similar hasta hace un rato que he leído en ReadWrite Web un post dedicado a ese tipo de preguntas en Google que parece haberlo implementado recientemente y que en Inglés denominan 'factual questions' (lo que vendrían a ser "cuestiones factuales" o "interrogaciones directas" en Español). En este tipo de preguntas el motor favorece a aquellos documentos donde la información aparece estructurada claramente en el formato sintáctico tradicional de "sujeto-verbo-objeto directo" y las incluye en los primeros lugares de la respuesta. Parece ser que Microsoft también está interesada en este tema y el pasado verano adquirió por la redonda cifra de 100 millones de dólares Powerset (una tecnología de búsqueda dentro de documentos de Wikipedia, hablaremos de ella en otro post) pero actualmente su motor live.com no ofrece esta prestación.

He probado en Google a preguntar algunas cosas sobre baloncesto, cuál es el nombre del hermano de Pau Gasol ('what's the name of Pau Gasol brother?') y quién es el base de los Phoenix Suns ('who's the guard of Phoenix Suns?'). Lo cierto es que en ambos casos el motor me ha dicho que el hermano (el más conocido claro) es Marc y que el base de los Phoenix Suns es Steve Nash (que no Shaquille O'Neal quien seguramente es el jugador más famoso).

Si bien lo anteriormente expuesto de por sí parece interesante y puede ayudar a muchas personas reticentes a emplear IRSWEB a animarse a probar su efectividad, lo que en realidad destacan en el post de ReadWrite Web es el procesamiento del lenguaje que viene a hacer Google ahora y que hasta ahora no se había producido. Si el documento está bien estructurado sintácticamente podría plantearse la posibilidad de que un software fuera capaza de extraer significado del mismo por lo que estaríamos hablando de desarrollos y realidades -la Indización Automática, la Web Semántica, etc.- que hasta ahora parecían mitos (como Aquiles ante las murallas de Troya), a los que el largo brazo de Google parece querer "echarles el guante".

Nuevo 'fav-icon' de Google.

2009-01-14T17:27:00.003+01:00

Creo que los usuarios de Google nos habremos percatado de que el buscador ha cambiado el diseño de su "mosca" o 'fav-icon'. En ese caso la "g" se rodea de un fondo con los colores del buscador. Según dicen en un foro de Google, es "cool". Como Leonor Watling.

Firefox y Google "rompen" en Rusia.

2009-01-13T14:19:00.005+01:00

El "matrimonio" entre Google y Firefox parece que anda en crisis tras el desarrollo de Chrome por parte de los primeros. Ahora ha surgido una nueva discrepancia cuando los responsables del proyecto del navegador han decidido insertar el motor de búsqueda Yandex en lugar de Google por defecto en la barra del navegador. Según el texto de Jesús Maturana que que leo en theiniquirer.es, Firefox justifica su decisión porque este IRSWEB "ruso" tiene una cuota de mercado en su país del 44% por un 25% de Google aunque también hay razones económicas de por medio: "esta decisión se puede entender como un paso al frente de Mozilla frente a la política de Google al comenzar a desarrollar Chrome y al dejar de integrar Firefox en su pack Google Desktop. Dichas acciones dejaban entrever que Google está haciéndose fuerte poco a poco en el terreno de los navegadores y deja de lado a Firefox. Por tanto no es de extrañar que Mozilla busque nuevas fuentes de ingresos y/o financiación".

Según datos de Alexa.com: el Español es el idioma de Google por excelencia.

2009-01-11T23:58:00.003+01:00

Si uno visita el Top 500 de tráfico web a nivel global suministrado por Alexa.com se encuentra con la siguiente clasificación:

Yahoo!
Google
Youtube
live.com
Facebook

Lo que en primera instancia podría parecer incongruente con la gran mayoría de los estudios que dicen que Google es el IRWEB más utilizado. No hay que olvidar que Yahoo! es un portal y Google es un motor de búsqueda, por lo que en el tráfico del primero se computan todos aquellos que, por ejemplo, accedan a esa página para leer su correo electrónico mientras que, en el caso de Google, nadie accede al mismo para leer sus mensajes de gmail.

Pero hoy me resulta más curioso escrudiñar cuál es la clasificación de sitios Web por idioma. En el idioma inglés se repite la misma clasificación anterior con el único cambio de MSN (sí, a mi también me parece raro) por Facebook.

En nuestra lengua, la común de todos los latinoamericanos, Google (en sus versiones de España, México, Argentina y Venezuela) ocupa las cuatro primeras posiciones, apareciendo en la quinta posición mercadolibre.com, el "ebay" latino.

Con estos datos, no es ningún atrevimiento asegurar que el Español es el idioma de Google por excelencia.

Gracias por ayudar a Wikipedia.

2009-01-07T20:01:00.003+01:00

Imagina un mundo donde cada persona del planeta tiene acceso libre a la suma de todo el conocimiento humano.

— Jimmy Wales, Fundador de Wikipedia

Wikipedia hizo recientemente un llamamiento de "donaciones" para reunir 6 millones de dólares para poder hacer frente a los gastos de la infraestructura global de esta enciclopedia gratuita en línea. Hace poco se publicaba que se había conseguido reunir esa cifra que garantizaba el proyecto de momento y ahora han abierto un fondo de reserva para nuevos proyectos a acometer. Sinceramente no creo que la palabra "donación" sea la más exacta porque puestos a donar tenemos suficientes sitios y situaciones todos los días a donde enviar nuestra ayuda (por ejemplo Gaza donde están masacrando a civiles inocentes a todas horas y también se necesita nuestra ayuda según puedes ver en msf.es). Para mí, la palabra más adecuada es contribución y como usuario permanente de uno de los verdaderos paradigmas de la actual Web (también llamada Web 2.0) creo que debía colaborar con el proyecto, y así lo he hecho, tú también puedes haciendo clic sobre el título del post.

Y si alguien después de leer este post piensa que soy gran "friki" en ayudar a Wikipedia y no a Médicos Sin Fronteras para llevar ayuda a Gaza, pues se equivoca, pero eso es algo ya personal que no atañe a este humilde blog.

Frenazo en el crecimiento del número de servidores Web: ¿entra la web en recesión?

2009-01-05T19:11:00.004+01:00

Leemos en El País que la consultora Netcraft ha hecho público un recuento del número de servidores Web registrados en todo el mundo: casi 187 millones. Este número representa un 17% de aumento con respecto a los datos del año 2007 pero al mismo tiempo muestra una cierta desaceleración en el ritmo de crecimiento, que en años anteriores rondaba el 40%. El software más utilizado es Apache (51,2%) seguido de Microsoft Internet Information Server (33,8%), el 15% restante se lo reparten entre otros sistemas.

Esto puede tener varias lecturas y todas ellas me parecen plausibles: que se está tocando techo y los ascensos serán cada vez menores, que ese tope está aún lejos y la crisis ha ralentizado ese ritmo o que el usuario está más dedicado a la generación de contenido en las principales redes y sitios sociales de la Web 2.0 (Wikipedia, Facebook, Flickr, MySpace, Blogger, etc.) que a la puesta en marcha de nuevos servidores (algo muy posible). Es por ello que necesitaríamos conocer el ritmo de crecimiento de ese "contenido", algo que seguramente es más complicado de ponderar y que sin duda, podría indicarnos si estamos tocando techo.

Personalmente creo que no, más bien todo lo contrario.

"Webs nacionales".

2008-12-31T13:17:00.002+01:00

De un tiempo a esta parte he visto varios artículos del grupo de investigación dirigido por Ricardo Baeza-Yates sobre la estructura de la web analizadas desde una perspectiva nacional aunque lo cierto es que no había podido leer ninguno de ellos. Hoy he descubierto otro titulado "Comparación entre la web chilena y la web española" publicado en la Revista Faz donde según el resumen del mismo "se realiza una comparación entre las características de las webs nacionales de Chile y España, en base a los estudios previos dedicados a cada una de ellas. Dicha comparación considera el análisis de vocabulario,documentos, sitios, dominios, componentes estructurales, software utilizado por los servidores y proveedores de servicio. Se muestra que a pesar de ser dos webs diferentes comparten una gran cantidad de propiedades y similitudes".

Resulta interesante saber que dos países hermanos en muchas cosas (la historia común, el idioma, el haber sufrido a sangrientos dictadores militares, el impulso económico en su zona, etc.) pero al mismo tiempo muy alejados geográficamente coinciden en el desarrollo de la Sociedad de la Información. El indiscutible aspecto globalizador de la Web tiene seguro algo que ver en esto, aunque también creo que las personas tenemos algo que decir (y lo estamos diciendo).

El año que viene seguimos. Feliz entrada de Año Nuevo a todos y a todas.

El BOE sólo en edición digital.

2008-12-30T13:51:00.005+01:00

Si bien la noticia no es nueva (se viene anunciando desde hace varios meses), seguramente debido a la inmediatez de la fecha, los principales periódicos españoles anuncian que el Boletín Oficial del Estado dejará de imprimirse en papel para estar sólo disponible a partir de pasado mañana 1 de enero de 2009 en su edición digital. Es interesante recordar, tal como informa la propia página del BOE que "la edición electrónica del Boletín Oficial del Estado y del Boletín Oficial del Registro Mercantil tendrá plena validez jurídica de acuerdo con lo previsto en la disposición final segunda de la Ley 11/2007, de 2 de junio, de acceso electrónico de los ciudadanos a los Servicios Públicos". Que un boletín oficial de esta importancia y solera (sus antecedentes más remotos son del año 1661) pase a editarse sólo en digital puede ser un buen toque de atención a las distintas y variadas administraciones y a su consumo tan exagerado de papel para editar cartas, catálogos, boletines informativos y otra serie de publicaciones que bien pueden confeccionarse en digital únicamente.

Un poquito más sobre ExpertRank.

2008-12-29T14:10:00.003+01:00

He estado investigando un poco sobre la idea del algoritmo ExpertRank, actualmente implantado en el motor ask.com (el cuarto en usuarios en todo el mundo) y he encontrado un ejemplo para ilustrar lo que se entiende por "enlaces en contexto" dentro de un algoritmo que considera los hipervínculos como fuente de información primaria para realizar el alineamiento de la respuesta. El mismo lo publicó gon tras asistir a un congreso ojobuscador de 2007 (aún estoy acordándome del pequeño plantón que les di en su primer congreso, lo siento). El ejemplo es el siguiente:

"el motor del buscador ask.com es un sistema inteligente que mediante el concepto que ellos llaman “agregación en comunidades” permite discernir cuando una página es relevante para un concepto. Por ejemplo si en canguroRico habláramos de Ana Obregón, nunca saldriamos los primeros, ya que no somos una web relevante en temática de "prensa rosa".Este sistema además intenta resolver los conflictos para palabras con varias acepciones, donde una de ellas al ser más utilizada en la red enmascara con sus resultados a las demás. Así, el término "Apache" con sus varias acepciones siempre presenta más resultados en Internet para el proyecto de servidores web que para la tribu."

Creo que con el ejemplo de la famosa ex-actriz, presentadora, productora ... y siempre bióloga queda bastante clara la idea de este buscador fundamentada en las aportaciones de las comunidades. Está por ver la evolución de este IRSWEB en la llamada Web 2.0 o Web Social.

Investigando un poco más he encontrado el trabajo 'The Secret to Ranking at the Search Engines (that's really no secret at all)' de randfish donde nos presenta tres gráficos que muestran la evolución seguida, a su juicio, por los algoritmos de ranking (alineamiento) de los motores de búsqueda.

Etapa 1: los motores clásicos, cuando se le confería mayor importancia a la frecuencia de aparición de los términos en los documentos (algunos dicen que en las metaetiquetas):

Etapa 2: surge Google, los hipervínculos son la base del alineamiento, sin más consideración sobre su origen, el tamaño manda:

Etapa 3: los hipervínculos "de calidad":

Muy ilustrativos los gráficos de este post, con ellos queda bastante clarificada esta idea.

No siempre hay que hacer caso a todo lo que escribimos/leemos sobre el futuro de los IRSWEB.

2008-12-28T21:44:00.005+01:00

Como ya había comentado en otro post, estoy trasladando el repositorio Wesen (Web Search Engines Evaluation) a una nueva sede donde estará integrado con otros recursos sobre recuperación de información en la Web. Aunque el volumen de este repositorio no es elevado, todo lleva su tiempo, más si cabe en este entorno dinámico donde las direcciones de los recursos cambian con frecuencia. Pues bien, estando en ello, me vuelvo a encontrar con el artículo 'Searching for Google's Successor' firmado en el año 2001 por A.González en la revista wired.com.

En ese artículo el autor ya hablaba del predominio de Google sobre los demás IRSWEB existentes en esa época (correcto) pero en plan oráculo ya predecía el fin de ese dominio justificando que a todos los imperios les ha llegado siempre su hora (correcto también). Para reforzar este "trascendental" descubrimiento nos hablaba de cinco nuevos proyectos de herramientas de búsqueda (metabuscadores la mayoría) que iban a superar ampliamente lo conseguido por el "juguete" de Brin y Page. Estos sistemas tan competentes son (o eran, porque alguno tengo dudas de si sigue funcionando):

WiseNut: este motor, que también tomaba en consideración los hipervínculos de las páginas, formó parte del conjunto de IRSWEB que evalué en mi propuesta de tesis doctoral (puedes acceder a ella para ver sus catastróficos resultados de efectividad y el alto grado de enlaces fallidos que aportaba en las respuestas). Como Teoma, generaba clusters para presentar las respuestas. Ya en el año 2001 parecía que habían dejado de mantenerlo aunque según Wikipedia, deja de estar en funcionamiento en septiembre de 2007.
El citado Teoma: motor contemporáneo a Google desarrollado por investigadores de la Universidad de Rutgers, también toma en consideración los hipervínculos pero introduce un interesante considerando, en lugar de calcular la "popularidad" de una página dentro de todo su índice, sólo la calcula dentro del contexto de la pregunta con el fin de determinar cuál de los documentos es más "relevante". Este motor fue absorbido e integrado en el año 2006 por Ask.com que sigue empleando su algoritmo: Expertrank.
Lasoo (de este motor no tenía idea de su existencia hasta hoy): esta tecnología de búsqueda se emplea para localizar información en catálogos comerciales en áreas geográficas concretas. Si bien sigue funcionando en la actualidad no es un ingenio de similares características que Google.
CURE (otro desconocido): sistema que concreta mucho el dominio de las búsquedas. El criterio para alinear la respuesta es la frecuencia con la que se han visitado las páginas. No parece que siga funcionando (o al menos no he podido encontrarlo).
Vivisimo: es un metabuscador que ya mencionamos en un post anterior. A partir del término de búsqueda inicial, Vivisimo no sólo extraerá respuestas de los motores de búsqueda más importantes, sino que también organizará automáticamente las páginas en categorías. Sistema muy fácil de usar aunque no es propiamente un motor de búsqueda.

Lo cierto es sobre la Web y sobre sus tecnologías muchas veces se escriben cosas en plan aventura a ver qué pasa, si se acierta se entra en el campo de los gurús y si nos equivocamos, pues entre tanto documento quién va a darse cuenta. En fin ... ...

Los medios digitales ganan a sus hermanos impresos.

2008-12-28T18:06:00.002+01:00

Según publica hoy El País, la consultora Pew de Estados Unidos ha cifrado en un 40% a aquellos que usan los medios digitales para adquirir información frente a quienes prefieren la prensa escrita (35%). Si bien es algo que parecía claro que iba a llegar ha sorprendido mucho este repentino cambio si se repasan los datos del 2007, donde los partidarios de los medios digitales eran sólo el 23%. En cambio, en España los datos del último Estudio General de Medios sitúan la penetración de los diarios de prensa tradicionales en el 41% y de Internet en un 29%. Igual la crisis tiene que decir algo en esto, así que tiempo al tiempo.

MSNbot 2.0 ya está aquí.

2008-12-16T17:31:00.003+01:00

Gracias a ojobuscador me entero de que en el blog oficial de Live Search se anuncia que en las próximas semanas se va a probar una actualización de MSNbot (el 'crawler' o 'robot' de Live Search). En los logs de visitas aparecerá el texto: 'msnbot/2.0b (+http://search.msn.com/msnbot.htm'.

Los cambios a verificar ahora ya fueron anunciados en el mismo blog el pasado 12 de febrero. Fundamentalmente son dos:

Mayor compresión del tamaño de las páginas en el análisis del 'crawler'. Esto descargará a los servidores cuando sean analizados.
'Conditional Get': la página no es descargada de nuevo por el robot si se verifica que no se han realizado cambios desde la última visita.