User Tools

Site Tools


deteccion_de_duplicados

Differences

This shows you the differences between two versions of the page.

Link to this comparison view

Both sides previous revision Previous revision
Next revision
Previous revision
Next revision Both sides next revision
deteccion_de_duplicados [18/08/2010 16:46]
fernando
deteccion_de_duplicados [19/08/2010 12:12]
fernando
Line 1: Line 1:
-====== Detección de duplicados ======+====== Detección de registros bibliográficos ​duplicados ======
  
 <​note>​ <​note>​
-Se agradece todo comentario o sugerencia que contribuya a hacer más comprensible,​ más usable o más eficiente el método que aquí se presenta.+Se agradece todo comentario o sugerencia que contribuya a hacer más comprensible,​ más usable o más eficiente el método que aquí se presenta. Se puede escribir en esta misma página del wiki, o enviar mensajes al [[http://​groups.google.com/​group/​catalis/​browse_thread/​thread/​17bd2a5661cc08dc|grupo de discusión]].
 </​note>​ </​note>​
  
 Si bien el procedimiento correcto para ingresar registros a una base bibliográfica requiere que el catalogador haga previamente una búsqueda, para cerciorarse de que el registro en cuestión no ha sido ya ingresado, en la práctica a veces sucede (por distracción o por un error en la forma de hacer la búsqueda) que se termina cargando dos veces lo mismo. Si bien el procedimiento correcto para ingresar registros a una base bibliográfica requiere que el catalogador haga previamente una búsqueda, para cerciorarse de que el registro en cuestión no ha sido ya ingresado, en la práctica a veces sucede (por distracción o por un error en la forma de hacer la búsqueda) que se termina cargando dos veces lo mismo.
  
-Catalis no cuenta con un mecanismo para alertar al catalogador cuando se va a grabar ​un registro duplicado ​en la base de datosaunque tal vez no sería complicado añadirle ese tipo de validación.+Catalis no cuenta con un mecanismo para alertar al catalogador cuando se va a grabar en la base de datos un registro duplicado (aunque tal vez no sería complicado añadirle ese tipo de validación). De modo que, por la salud de nuestro catálogo, nos vemos obligados a realizar periódicamente tareas de control de calidad, que incluyan la detección de registros posiblemente duplicados.
  
-De modo que, por la salud de nuestro catálogo, nos vemos obligados a realizar periódicamente tareas de control de calidad, que incluyan la detección de registros posiblemente duplicados. 
  
-A continuación se presenta un método ​sencillo que ayuda a detectar registros sospechosos de estar duplicados. ​En la forma que mostramos, ​el método ​funciona en Linux; con algunas ​pequeñas ​adaptaciones puede usarse también en Windows.+===== El mecanismo ===== 
 + 
 +A continuación se presenta un mecanismo ​sencillo que ayuda a detectar registros sospechosos de estar duplicados. ​El método, así como lo mostramos, funciona en Linux; con algunas ​mínimas ​adaptaciones puede usarse también en Windows.
  
 Guardamos las siguientes líneas en un archivo que podemos llamar ''​duplic.sh'':​ Guardamos las siguientes líneas en un archivo que podemos llamar ''​duplic.sh'':​
Line 18: Line 19:
 #!/bin/bash #!/bin/bash
  
-mx biblio uctab=ansi \ +#​PATH=/​ruta/​a/​cisis/​1660:​$PATH 
-     ​"fst=1 0 \+ 
 +mx biblio ​
 +   uctab=ansi \ 
 +   ​"fst=1 0 \
       if s(v100,​v110,​v111) > ''​ then v100^a.10,​v110^a.10,​v111^a.10,​ else '​----------',​ fi, \       if s(v100,​v110,​v111) > ''​ then v100^a.10,​v110^a.10,​v111^a.10,​ else '​----------',​ fi, \
       c11,'/',​v008*7.4,'/',​ \       c11,'/',​v008*7.4,'/',​ \
       replace(replace(v245^a,'​ /',''​),'​ :',''​)"​ \       replace(replace(v245^a,'​ /',''​),'​ :',''​)"​ \
-    ​fullinv=clavesdup now -all+   fullinv=clavesdup ​
 +   now -all
        
-mx dict=clavesdup "​pft=if val(v1^t)>​1 then v1^*/ fi" now+mx dict=clavesdup "​pft=if val(v1^t)>​1 then 
 +   ​putenv('​COUNT=',​ f(val(getenv('​COUNT'​))+1,​ 1, 0)), getenv('​COUNT'​),​ c5, \ 
 +   v1^*/ fi" now
 </​file>​ </​file>​
  
Line 45: Line 52:
  
 <​file>​ <​file>​
-KARLIN, SA/​1959/​MATHEMATICAL METHODS AND THEORY IN GAMES, PR +22  ​KARLIN, SA/​1959/​MATHEMATICAL METHODS AND THEORY IN GAMES, PR 
-KLEIN, FEL/​1950/​VORLESUNGEN UBER DIE ENTWICKLUNG DER MATHEMA +23  ​KLEIN, FEL/​1950/​VORLESUNGEN UBER DIE ENTWICKLUNG DER MATHEMA 
-LIONS, J.-/​1973/​COURS D'​ANALYSE NUMERIQUE +24  ​LIONS, J.-/​1973/​COURS D'​ANALYSE NUMERIQUE 
-LIUSTERNIK/​1961/​ELEMENTS OF FUNCTIONAL ANALYSIS +25  ​LIUSTERNIK/​1961/​ELEMENTS OF FUNCTIONAL ANALYSIS 
-MORGADO, J/​1962/​INTRODUCAO A TEORIA DOS RETICULADOS.+26  ​MORGADO, J/​1962/​INTRODUCAO A TEORIA DOS RETICULADOS.
 </​file>​ </​file>​
  
-Es de esperar que este método produzca ​unos cuantos ​falsos positivos; por otra parte, no debemos suponer que este método permita ​encontrar a //todos// los duplicados. Es decir, puede andar flojo [[http://​en.wikipedia.org/​wiki/​Precision_and_recall|tanto en '​precision'​ como en '​recall'​]]... pero al menos es una ayuda para empezar a limpiar nuestros catálogos.+Para mejorar la precisión es conveniente usar la versión 16/60 del utilitario ''​mx'',​ que trabaja con claves grandes. Se lo puede descargar desde [[http://​bvsmodelo.bvsalud.org/​php/​level.php?​lang=es&​component=28&​item=1|el sitio de la BVS]]. Si esa versión de mx no es la predeterminada en la computadora,​ entonces en ''​duplic.sh''​ se debe modificar esta línea: 
 + 
 +  #​PATH=/​ruta/​a/​cisis/​1660:​$PATH 
 + 
 +quitando el ''#''​ inicial y reemplazando ''/​ruta/​a/​cisis/​1660''​ por la ruta que corresponda. 
 + 
 + 
 +===== Análisis de los resultados ===== 
 + 
 +Es de esperar que este método produzca falsos positivos; por otra parte, no debemos suponer que nos permitirá ​encontrar a //todos// los duplicados. Es decir, ​el método ​puede andar flojo [[http://​en.wikipedia.org/​wiki/​Precision_and_recall|tanto en '​precision'​ como en '​recall'​]]... pero al menos es una ayuda para empezar a limpiar nuestros catálogos. 
 + 
 +¿Qué significa que dos registros bibliográficos R1 y R2 compartan la misma clave? Veamos cuáles son las situaciones que se pueden presentar:
  
-Para mejorar ​la precisión ​es conveniente usar la versión 16/60 del utilitario ''​mx''​, que trabaja con claves grandesSe lo puede descargar desde [[http://bvsmodelo.bvsalud.org/​php/​level.php?​lang=es&​component=28&​item=1|el sitio de la BVS]].+  - R1 y R2 representan exactamente a **un mismo recurso bibliográfico**,​ y por lo tanto uno de los dos registros está de más y debe ser eliminado de la base (para decidir cuál eliminar habrá que compararlos cuidadosamente). 
 +  - R1 y R2 representan a **diferentes recursos bibliográficos**,​ pero los datos con los que se arman las claves no alcanzan a distinguir entre ambos. Podemos considerar estos casos: 
 +    - La clave es corta: Por ejemplo, cuando ​la diferencia entre R1 y R2 sólo se da en la última palabra ​del títulopero éste es tan largo que esa palabra no llega a entrar en la claveNada que corregir en la base de datos. 
 +    - La clave no abarca suficientes datosLa diferencia entre R1 y R2 sólo se da en un elemento que no fue considerado al armar la clave (por ejemplo, la editorial)Nada que corregir en la base de datos. 
 +    - Error en los datos: Las claves deberían servir para distinguir R1 de R2, pero alguno de los registros contiene un error que hace coincidir las claves. Un ejemplo: R2 se creó duplicando (intencionalmente) R1, y por una distracción no se modificaron en R2 algunos datos que estaban presentes en R1. Habrá que revisar los registros y hacer las correcciones necesarias.
  
  
 {{tag>​catalis admin}} {{tag>​catalis admin}}
deteccion_de_duplicados.txt · Last modified: 19/08/2010 00:00 (external edit)