La polémique des pages manquantes sur Yahoo s’intensifie

J’ai montré toutefois dans les deux parties précédentes [ici et ici] que cette étude était entachée d’erreurs méthodologiques qui invalident totalement ses conclusions. Dans cette troisième partie, je montrerai que ses hypothèses mêmes sont erronées.

Comme je le mentionnais en fin de mon dernier billet, les auteurs du NCSA supposent que les moteurs ne font aucun filtrage (par exemple pour éliminer des sites de spam) et retournent tous les résultats contenus dans leur index sur chaque requête. Dans le cas contraire, il ne serait pas légitime d’extrapoler les résultats obtenus sur de petites fréquences (moins de 1000) à l’ensemble de l’index, car le filtrage ne serait certainement ni proportionnel au nombre de résultats, ni identique pour chacun des moteurs comparés. Or tout porte à croire que les moteurs opèrent un tel filtrage.

De nombreux internautes ont ainsi observé un comportement apparemment étrange de Yahoo. Par exemple, Béatrice dans un commentaire sur ce billet nous explique que lorsqu’on tape une requête comme "azoïque", Yahoo donne une premier nombre de résultats sur la première page (2380), puis révise ce chiffre à la baisse dans les pages de résultats suivante, et au final on n’obtient qu’un nombre très inférieur (576, en étendant la recherche aux résultats similaires).

J’ai testé Yahoo sur des mots dans une large gamme de fréquences, et ce comportement est systématique. La perte augmente au fur et à mesure que la fréquence diminue :

On peut bien sûr imaginer que ce comportement soit dû à un bug, ou à une tentative de manipulation des données, mais c’est si visible que j’ai peine à croire que les ingénieurs de Yahoo soient aussi négligents. Un phénomène analogue (mais moins marqué) affecte d’ailleurs Google. L’hypothèse la plus probable est justement celle d’un filtrage des résultats à chaque requête pour éviter des pages indésirables, et notamment du spam.

Le spam gangrène le web, et les moteurs font de gros efforts pour le contrer, car il peut dégrader de façon importante la pertinence des résultats. Il y a deux façons complémentaires pour lutter contre ce fléau :

• détecter que le document ou le site est du spam lors de l’indexation et l’exclure de l’index ;
  
• tenir à jour une "blacklist" qui permet d’exclure les URL reconnues comme spammeuses après que l’index ait été calculé.
  

Cette deuxième technique est particulièrement intéressante, car elle permet une réactivité importante et une mise à jour dynamique sans que l’index ait à être recalculé et propagé sur tous les serveurs du moteurs. C’est à mon sens ce mécanisme de filtrage que nous voyons à l’oeuvre dans les "disparitions" de pages constatées.

Le moteur ne filtre évidemment pas tous les résultats en fonction de la blacklist pour une requête donnée ! Si l’utilisateur demande 10 résultats, il suffit d’appliquer la black-list sur le début des résultats jusqu’à l’obtention de 10 résultats valides. Si l’index contient n résultats, et qu’on a dû en éliminer m, on peut déjà par une simple règle de trois afficher une estimation du nombre total de résultats après filtrage, soit 10 n / (10 + m). La grande majorité des utilisateurs ne demandent jamais le deuxième écran de résultats. Mais s’ils le font, on ré-applique le même mécanisme, et on a alors une estimation améliorée. Sachant qu’on a éliminé au total m’ documents, on peut afficher la nouvelle estimation 20 n / (20 + m’). Et ainsi de suite. Simple comme bonjour. Bien sûr, les moteurs utilisent certainement des fonctions plus compliquées que la règle de trois, car la proportion de spam n’a aucune raison d’être constante au fil des écrans de résultats : le classement par pertinence implique même qu’il y ait moins de spam dans le haut du classement.

C’est exactement le mécanisme que nous voyons à l’oeuvre chez Yahoo et Google. Le fait que la proportion de pages filtrées diminue avec la fréquence du mot-clé est tout à fait logique. Deux facteurs y contribuent. D’une part les sites de spam utilisent massivement des dictionnaires et des listes de mots aléatoires pour fabriquer des textes artificiels qui essaient de flouer les moteurs. Ce faisant, ces textes artificiels utilisent une proportion de mots peu fréquents bien supérieure à la normale. Par ailleurs, le principe de classement des résultats par pertinence implique sur les requêtes à haute fréquence que le sommet de la liste n’est probablement pas du spam, comme je le mentionnais à l’instant.

Le plus étonnant est que les résultats publiés par les chercheurs du NCSA eux-mêmes montrent très clairement ce filtrage ! Dans leur table 3, ils montrent que le pourcentage de résultats réels retournés par Yahoo sur leur ensemble de requêtes n’est que de 27% (soit 73% de filtrage), contre 92% pour Google (8% de filtrage). Je cite [voir l’étude ici] :

Le filtrage appliqué par Yahoo est bien plus important que celui de Google. Sans doute leur blacklist est-elle plus étoffée. De fait, sur ces fameuses requêtes-test, Yahoo retourne beaucoup moins de déchets que son concurrent. C’est plutôt à mettre au crédit du moteur, mais en tous cas, ce mécanisme empêche totalement la moindre extrapolation des résultats observés à la taille globale de l’index. Voilà donc une troisième raison pour laquelle je peux affirmer que les chercheurs du NCSA n’ont rien démontré du tout, si ce n’est que Google indexe très bien le spam, et ispell !

Ces collègues ont dû être bien embêtés de lire mes critiques relayées par le NY Times, et celles d’autres bloggeurs (ici). Pendant que je rédigeais ce billet, Serge Courrier m’a fait remarquer qu’ils ont modifié leur page, et ont enlevé cette réserve méthodologique sur le filtrage. Donc ils se sont rendus compte de leur bourde, mais au lieu d’annuler leur étude (tout le monde peut se tromper, ne leur jetons pas la pierre), ils ont préféré supprimer des précautions méthodologiques qui les honoraient. C’est une façon de faire. Pas celle que j’aurais choisie...