=Paper=
{{Paper
|id=None
|storemode=property
|title=Babxel: Búsqueda Multilingüe
|pdfUrl=https://ceur-ws.org/Vol-697/6.pdf
|volume=Vol-697
}}
==Babxel: Búsqueda Multilingüe==
https://ceur-ws.org/Vol-697/6.pdf
Babxel: Búsqueda Multilingüe
Babxel: Multilingual Search
Andrés Velasco Collado
Universidad Europea de Madrid
avc.conti@gmail.com
Resumen: La Web 2.0 ha tenido un enorme éxito gracias a la posibilidad de una
interacción dinámica por parte del usuario, ya no sólo a la hora de participar en elementos
colaborativos, como puedan ser los foros, sino en compartir/añadir contenido a la Web.
Dos ejemplos claros de este paradigma son YouTube y Flickr. El primero hospeda la
mayor parte de los vídeos que podemos encontrar en Internet, y el segundo ha creado la
mayor comunidad de fotógrafos existente en la red. Ambos servicios funcionan de una
forma similar, el usuario es el que aporta contenidos junto a una información asociada al
mismo. Al ser comunidades internacionales, la información añadida por el usuarios se
realiza en diversos idiomas, por lo que la búsqueda de recursos multimedia en estos sitios
es dependiente del idioma de la consulta.
En este artículo, presentamos Babxel, un sistema de recuperación de información
multimedia y multilingüe, nacido como proyecto de fin de carrera de Ingeniería
Informática, como extensión y mejora de FlickrBabel. Babxel aprovecha la capacidad de
traducción multilingüe automática para generar más resultados de búsqueda relacionado
con la consulta del usuario, resultados que se obtienen de las plataformas mencionadas
anteriormente.
Palabras clave: Recuperación de información, multilingüe, multimedia, YouTube,
Flickr, redes sociales, medios sociales, traducción…
Abstract: The Web 2.0 has been successful thank to the possibility for the user to interact
dynamically, not only in collaborative environments, but also in forums and
adding/sharing resources to the Web.
Two of the most important examples that apply for this paradigm are Flickr and
YouTube. The first one host the majority of videos that are played on the Web, and the
latter has built the biggest photographers community all over the Internet. Both services
work in the same way, letting the user to upload resources with information attached to it,
which help to explain or classify it. As they are international communities, the resources
added by the users will be in different languages, so the query to search multimedia
resources on these sites is dependable on the query language.
The purpose of this paper is to introduce Babxel, a multilingual and multimedia
information retrieval system, born due to a Computer Engineering final degree project, as
an upgrade and extension of FlickrBabel. Babxel takes advantages of the automatic
multilingual translation to generate more results related to the users' queries, results
obtained from the platforms previously mentioned.
Keywords: Information retrieval, crosslingual, multimedia, YouTube, Flickr, Social
Networks, Social Media, Translation…
la red. El hecho de que YouTube sea el segundo
1 Introducción buscador más utilizado por detrás de Google no
hace mas que reafirmar la idea de que el usuario
Los Medios Sociales son herramientas
prefiere que le cuenten las cosas a leerlas.
tecnológicas que permiten a los usuarios
compartir información y debatir sobre ella. La
El verdadero éxito de todo esto, reside en la
mayoría de los Medios Sociales son
posibilidad de combinar diferentes aplicaciones
aplicaciones Web que gestionan información
de Medios Sociales de manera que se explote al
textual, como blog (Blogger, Wordpress),
máximo el potencial de comunicación existente
microblogging (Twitter, Pownce), wikis
en la red. Un ejemplo claro es la necesidad de
(Wikipedia), forums, or Social Networks
buscar material multimedia en numerosas
(Facebook, MySpace, LinkedIn). Existen
ocasiones para explicar/apoyar información
además otro tipo de aplicaciones basadas en
escrita, ya sea en un blog, trabajo, o noticiario
Internet para Medios Sociales que permiten a
online, y como dato tenemos que el
los usuarios compartir algo más que texto,
visualizador de YouTube se ha embebido en
como herramientas para compartir fotografías
más de 10 millones de páginas Web[3].
(Flickr, Picasa), compartir videos (YouTube,
Vimeo), transmisión en directo (Ustream), o
De todos los servicios sociales relacionados
compartir audio/música (last.fm, ccMixter,
con la gestión de información multimedia,
Freesound). Los Medios Sociales más recientes
YouTube y Flickr son los más destacados, tanto
incluyen mundos virtuales (Second Life),
por su gran base de usuarios, cantidad de
juegos online (World of Warcraft, WarHammer
información que manejan y por la calidad de
Online), compartir juegos (miniclip.com) y algunos de sus contenidos. A continuación se
Medios Sociales para móviles como las redes introducen algunas de sus características
sociales nómadas donde los usuarios comparten principales.
su situación actual en el mundo real.
Flickr es una página de almacenamiento de
Los Medios Sociales han supuesto un imágenes y videos, servicios Web, y una
cambio en la manera en la que la información comunidad de fotógrafos que a fecha de
se genera y se consume. Al principio, la Octubre de 2009 posee 4 mil millones[1] de
información era generada por una persona y fotografías aportadas por los mismos usuarios.
consumida por muchas otras, pero ahora es Aparte de ser un sitio donde compartir el
generada por muchas personas y consumida por contenido multimedia mencionado
el mismo número o mayor, cambiando las anteriormente, suele ser utilizado por los
necesidades a la hora de acceder y gestionar la Bloggers para hospedar las imágenes que luego
información. Es de destacar el gran número de acompañaran a sus entradas escritas.
usuarios y datos que gestionan los Medios
Sociales: Facebook y MySpace gestionan entre YouTube es un sitio creado parar el
400 y 450 millones de usuarios, se estima que almacenamiento y posterior publicación de
se generan al día 1 millón de publicaciones en videos vía streaming, que se ha convertido en
blogs, servicios de microblogging como Twitter uno de las 5 primeras webs más visitadas en
generan 3 millones de mensajes al día, Youtube Internet [2]. YouTube recibe cerca de 2 mil
gestiona más de 150.000 millones de vídeos, millones de visitas al día, lo que le hace el
etc.[4] número uno en contenido de video dedicado al
público general. El último reporte estadístico de
Los recursos multimedia son parte YouTube [3](con fecha primer trimestre del año
fundamental del auge de los Medios Sociales, 2010) muestra los siguientes datos:
ya que muchos de ellos se basan en dichos
recursos: YouTube y Vimeo gestionan vídeos, • 24 horas de video subidos por minuto.
Flickr y Picasa gestionan fotografías, etc. • 15 minutos es la media al día que pasa una
Gracias a lo anteriormente comentado, el persona viendo contenido en YouTube.
usuario pasa de poder comentar con texto un
suceso, evento u opinión, a poder grabarlo o
fotografiarlo y de esta manera ampliar el Tanto Flickr como YouTube poseen
abanico de vías de comunicación existentes en API's[5][6] (Application Programming
Interface) que ofrecen servicios Web a los
desarrolladores de aplicaciones. Esta
herramienta permite acceso a todo el contenido
multimedia que se hospeda en ambas
plataformas, el cual ha sido proporcionado y
etiquetado por los propios usuarios, y que sin
esta información añadida no sería posible
clasificar o darle un significado.
Resulta difícil tratar con información
asociada a un recurso multimedia cuando el
usuario tiene libertad absoluta en proporcionar
dicha información. Esto conlleva a los
siguientes problemas: Figura 1: Funcionamiento de Babxel
• Diferentes tipos de texto asociado al La figura 1 muestra el funcionamiento básico
contenido multimedia, por ejemplo: del sistema. El usuario introduce el texto con el
etiquetas, descripción título y otros que quiere iniciar la búsqueda, el cuál
campos de descripción. seguramente introducirá en su lengua materna.
Actualmente el usuario puede decidir el idioma
• Información asociada en diferentes de entrada, pudiendo elegir entre dos
lenguajes. posibilidades, Inglés o Español (Español por
defecto).El idioma de entrada tiene un
• Etiquetado útil para un conjunto propósito, y es que no es lo mismo traducir
pequeño de usuarios, pero que no ayuda "Can" del Español al Inglés que a la inversa. A
al tratamiento de ese contenido su vez podrá modificar los idiomas que se
multimedia, ni a la búsqueda general usarán para recuperar resultados, siendo
por parte de la mayoría de los usuarios, Español, Portugués, Francés, Italiano e Inglés
como puedan ser las etiquetas con un los idiomas configurados por defecto, y
propósito específico, por ejemplo: ampliables al mismo número de idiomas que
contenido etiquetado para un grupo de proporciona la API de Google Translator,
personas, etiquetas que hacen siempre y cuando el usuario lo indique
referencia el lugar donde fueron expresamente.
tomadas las fotos de las vacaciones, etc. En cualquier momento de la configuración,
el usuario puede elegir que tipo de recursos se
devolverán, Fotos, Videos o Ambos(por
defecto).
2 Sistema de Babxel Una vez realizado el paso previo de
configuración (el cual puede saltarse y buscar
Hoy en día cuando un usuario quiere buscar un con las opciones por defecto), Babxel consulta
contenido lo hace en su lengua materna, ya que con Google Translator para traducir la entrada
de esta manera estará seguro de que entenderá del usuario en los idiomas de salida
mejor lo que encuentre. A la hora de buscar seleccionados. Con esto se genera una consulta
contenido multimedia esto podría no ser cierto. extendida/preparada para recuperar los
Por ejemplo, si un usuario quiere buscar una resultados, esta consulta es preparada teniendo
foto de un perro, no le importará que una foto en cuenta el servicio Web que la va a recibir, en
no esté etiquetada en su lengua materna, de este caso las API's de YouTube y Flickr. Los
manera que con que aparezca un perro y encaje resultados obtenidos son mostrados al usuario
en lo que buscaba, es suficiente. por orden de relevancia (por defecto).
Esta es una de las premisas principales de
Babxel, y está construido de manera que se Aprovechando el uso de las API's de Flickr
requiera la mínima interacción por parte del y YouTube, se añaden opciones de búsqueda
usuario. avanzadas, de manera que den más sentido a los
resultados recolectados por el sistema para el
usuario. Entre las que cabe destacar: la
Geolocalización (aportando el lugar), y la
búsqueda de imágenes bajo una determinada Tipo
licencia Creative Commons. Esta última sin Término Normal Extendida
duda es de las más útiles, ya que permite al Dog 7,519,160 8,124,340
usuario asegurarse de que las imágenes que está Flower 14,036,992 14,896,604
viendo no le van a causar ningún problema Car 8,924,196 10,746,171
legal por el Copyright si las usa en su blog Home 7,570,160 10,174,704
personal. Cat 6,712,319 7,382,602
Moon 2,089,278 2,814,321
Otro pilar básico de Babxel, es el sistema de Phone 2,670,410 2,926,803
"tracking" que se ha implementado para grabar Beach 14,989,497 16,897,348
el recorrido que realiza un usuario desde que Mountain 8,315,239 9,562,534
realiza la búsqueda hasta que finalmente elige T-shirt 481,472 579,191
una foto/video que encaja con sus pretensiones. Tabla 2: Experimentos en Inglés
Esto nos permitirá ver qué fotos/videos ha
visitado el usuario antes de elegir el contenido Uno de los resultados más llamativos, es el
final, o incluso si con la primera búsqueda ya anteriormente nombrado con la palabra "perro"
ha conseguido el recurso que necesitaba. El (Tabla 1), si utilizamos Babxel con el Español
objetivo es obtener patrones y tendencias para como idioma de entrada y único de salida,
mejorar los resultados generados por Babxel . obtenemos 302,006 resultados, mientras que si
Evidentemente, para poder hacer efectiva esta utilizamos la configuración por defecto(Español
funcionalidad se ha implementado un sistema de entrada y Español-Inglés-Francés-Italiano-
de gestión de usuarios adaptada expresamente Portugués como idiomas de salida) obtenemos
para la arquitectura de Babxel. la cifra de 8,124,340 resultados.
3 Experimentos Con los términos “perro”, “flor”, y “coche”
Se han realizado los siguientes experimentos, se aprecia que la búsqueda extendida aporta
consistentes en elegir 10 términos y comprobar números desorbitados con la búsqueda original.
el aumento de resultados con Babxel. El Esto se debe a que los usuarios cuando tienen
objetivo es comprobar que la búsqueda con que etiquetar una foto con esos términos,
Babxel resulta ser independiente del idioma, ya prefieren hacerlo con los términos en Inglés.
que la consulta extendida da los mismos
resultados tanto como si la palabra de entrada En términos generales se puede apreciar el
está en Español, como si está en Inglés. gran aumento de términos en Inglés con
respecto al Español. Esto se debe a que el
Tipo primero es uno de los idiomas más extendidos
Término Normal Extendida en la red, y utilizado por la mayoría de la gente
Perro 302,006 8,124,340 para etiquetar contenido de manera que el
Flor 765,678 14,896,604 número de personas que puedan encontrarlo sea
Coche 138,178 10,746,171 mayor.
Casa 2,382,801 10,174,704
A raíz de los resultados queda claro que la
Gato 514,067 7,382,602
utilidad de la búsqueda extendida será mucho
Luna 596,920 2,814,321
mayor para una persona de habla no inglesa que
Teléfono 59,846 2,926,803
para una que si lo hable, ya que el porcentaje de
Playa 1,397,968 16,897,348
mejora para esta última es inferior.
Montaña 1,039,988 9,562,534
Camiseta 106,369 579,191 Con el término "camiseta", la suma de la
Tabla 1: Experimentos en Español búsqueda normal en Español(Tabla 1) más la
búsqueda normal en Inglés(Tabla 2) supera el
resultado total, esto se debe a que existe una
gran cantidad de contenido etiqueta con esa
palabra en Español e Inglés.
4 Conclusiones y próximos pasos [8] Julio Gonzalo, Paul Clough and Jussi
Karlgren. Multilingual Image Search from a
La utilización de Babxel como buscador user’s perspective. NED.
multimedia ha resultado ser exitosa en números,
ya que los resultado se ven incrementados de [9] Julio Gonzalo, Paul Clough and Jussi
manera exponencial comparados con una Karlgren. Multilingual interactive
búsqueda en la lengua materna. experiments with Flickr. UNED.
Aparte de las opciones ya nombradas, [10] Adrián Popescu and Ioannis Kanellos.
Babxel contiene opciones avanzadas que Multilingual and Content Based Access to
permiten al usuario filtrar aún más el contenido Flickr Images.
que desea encontrar.
A pesar de los números que se consiguen, [11] Paul Clough, Azzah Al-Maskari, and
quien decide si Babxel es útil es el usuario, por Kareem Darwish. Providing Multilingual
ello es necesario conseguir una base importante Access to FLICKR for Arabic Users.
de usuarios que utilicen la herramienta, y [12] Víctor Peinado, Javier Artiles, Julio
obtener conclusiones a posteriori mediante un Gonzalo, Emma Barker, and Fernando
análisis de los datos obtenidos por el sistema de López-Ostenero. FlickLing: a Multilingual
"tracking". Search Interface for Flickr.
En el presente y futuro cercano, las áreas de [13] Srinivasarao Vundavalli. Mining the
mejoras de Babxel se centrarán en: Behavior of users in a Multilingual
Information Access Task.
• Mejorar la recuperación de resultados [14] Adrian Popescu, Gregory Grefenstette,
relacionados con el elegido por el Houda Bouamor. Mining a Multilingual
usuario. Geographical Gazetteer from the Web.
• Uso de Ontologías para mejorar la
construcción de las consultas. [15] Paul Clough, Julio Gonzalo, Jussi
• Soportar más lenguajes de entrada. Karlgren, Emma Barker and Javier Artiles,
• Mejorar el sistema de "tracking" en aras Victor Peinado. Large-Scale Interactive
a construir un sistema de Evaluation of Multilingual Information
recomendación de contenido Access Systems – the iCLEF Flickr
multimedia para el usuario. Challenge
5 Bibliografía
[1] http://en.wikipedia.org/wiki/Flickr
[2] http://www.alexa.com/siteinfo/youtube.com
[3] http://www.website-
monitoring.com/blog/2010/05/17/youtube-
facts-and-figures-history-statistics/
[4]http://www.socialgamingplatform.com/msm
09/
[5]http://www.flickr.com/services/api/
[6]http://code.google.com/apis/youtube/overvie
w.html
[7] J.C.Cortizo, A. Carrero, F.Carrero and
B.Monsalve. FlickrBabel: Crosslingual
Multimedia Retrieval. Wipley.