Modelle zur Repräsentation natürlichsprachlicher Dokumente
Werbung
Referat zum Hauptseminar: Nichrelationale Datenbanken Rositsa Fidanova Modelle zur Repräsentation natürlichsprachlicher Dokumente Ontologie-basiertes InformationFiltering und –Retrieval mit relationalen Datenbanken Problemstellung Informationsüberflutung Einer Studie zu Folge enthält das WWW im Jahre 2000 ca. 2,5 Milliarden statische und ca. 550 Milliarden dynamische Webseiten, die zu 95% öffentlich zugänglich sind. Ähnlich hohe Anzahlen von Dokumenten können auch für andere Bereiche der computergestützten Kommunikation, wie z.B. E-Mail, aufgestellt werden. Heutzutage stehen jeder Person in den Industrieländern quantitativ sehr viele Informationen für die Problemlösung und die Entscheidungsfindung zur Verfügung, ein Großteil dieser Informationen kann aber aufgrund der beschränkten Verarbeitungskapazität nicht adäquat verarbeitet werden. Somit können die relevanten Informationen nicht mehr in einem ausreichenden Ausmaß gefunden werden. Manchmal behindert sogar diese „Flut von Informationen“ die Arbeit. Problemstellung Information- Retrieval und Information- Filtering Man bemüht sich um die Entwicklung von geeigneten Methoden und Werkzeugen für die Suche und die Filterung von natürlichsprachlichen Informationen (z.B. Werkzeuge zum Filtern oder zielgruppengerechtes Verteilen von digitalen Dokumenten und insbesondere von E-Mails). Hohe Komplexität der natürlichen Sprachen und noch nicht ausreichende Rechenkapazität von Rechnern Bis heute können lediglich Heuristiken zur Lösung des Problems eingesetzt werden (Grundlage ist dabei immer ein (formales) Modell)). Bei den meisten in der Praxis eingesetzten Heuristiken werden natürlichsprachliche Dokumente als eine Menge von voneinander unabhängigen Wörtern modelliert. Die komplexe Realität der natürlichen Sprachen wird durch ein stark vereinfachtes Modell abgebildet. Problemstellung Solche Heuristiken scheitern dann, wenn das gesuchte Dokument anstatt der angegebenen Wortkombination eine andere, äquivalente oder bedeutungsähnliche Wortkombination enthält. Im Unterschied zu den formalen Sprachen zeichnen sich natürliche Sprachen, die von Information- Retrieval und – Filtering Werkzeugen verarbeitet werden müssen, u.a. durch Redundanzen und Ambiguitäten aus. Die Wahrscheinlichkeit dafür, dass zwei Personen denselben Begriff zur Beschreibung der selben Sache verwenden, ist kleiner als 20 Prozent. Ziel Im Modell zur Repräsentation von Dokumenten sollen verschiedene linguistische Phänomene und Zusammenhänge zwischen Wörtern hinreichend abgebildet werden. Näher geht es um die Redundanz und die Ambiguitäten der natürlichen Sprachen. Das im Buch dargestellte Modell ist in der Lage thematische Zusammenhänge zwischen verschiedenen Wörtern zu berücksichtigen. Da einfache statistische Verfahren zur Erkennung derartiger Zusammenhänge nicht funktionieren, enthält weder das Modell noch die auf dem Modell aufbauende Heuristik keine solchen Verfahren. Das Modell bietet eine Art Schnittstelle an, mit der thematische Zusammenhänge zwischen Wörtern von außen vorgegeben werden können (z.B. durch von Linguisten erstellte Ontologien, die Wissen über die linguistischen und thematischen Zusammenhänge zwischen Wörtern enthalten). Auf dieser Weise sehen das InformationFiltering und - Retrieval viel „inteligenter“ aus. Information- Filtering und - Retrieval Information- Retrieval Die Aufgabe von IR- Systemen ist es, den Benutzer zu denjenigen Dokumenten zu führen, die seinen Bedarf an Informationen befriedigen. IR- Systeme verarbeiten ausschließlich in Textform vorliegende Schriftdokumente. Im Gegensatz dazu verarbeiten die gängigen Datenbanksysteme Daten, die üblicherweise bis ins Detail über Datentypen, Attribute und Relationen strukturiert, bzw. gültige Sätze einer formalen Sprache sind. Allgemeines Modell zum Information- Retrieval Autoren erstellen Dokumente werden repräsentiert durch DokumentenRepräsentationen basieren auf ggf. Modifikationen Anwender mit Zielen, Aufgaben haben Informationsbedarfe werden formuliert als Modell der Anfragen Repräsentation basieren auf Abgleich gefundene Dokumente Anwendung und Bewertung Bewertungen zu den Dokumenten ggf. Modifikationen basierend auf Modell der Interaktion Allgemeines Modell zum Information- Filtering Autoren erstellen verbreiten Dokumente werden repräsentiert durch DokumentenRepräsentationen basieren auf IF- Systeme verarbeiten ebenso ausschließlich in Textform vorliegende digitale Schriftdokumente. Es liegt eine große strukturelle Ähnlichkeit zwischen den beiden Aufgaben (IR und IF). Anwender mit Interessen haben langfristige Infobedarfe werden formuliert als Modell der Profile Repräsentation basieren auf Abgleich gefundene Dokumente lesen und bewerten Bewertungen zu ggf. Modifikationen vornehmen den Dokumenten basierend auf Modell der Interaktion Unterschiede zwischen IF und IR • IR- Systeme dienen zur Befriedigung eines kurzfristigen Informationsbedarfs, meistens mit dem Ziel eine akute Aufgabe zu lösen. IF- Systeme werden hingegen eingesetzt um ein langfristiges Ziel zu erreichen. • Aus Sicht der vom Benutzer formulierten Anfrage ist der Dokumentenbestand bei einem IR- System statisch- der Dokumentenbestand ändert sich zum Zeitpunkt der Anfrage normalerweise nicht. Aus Sicht des Profils ist der Dokumentenbestand bei einem IF- System dynamisch- es kommen laufend neue Dokumente dazu. • Die zeitnahe Weitergabe von Dokumenten an den Benutzer ist wichtig für ein IF- System. Neue Dokumente werden möglichst zeitnah evaluiert und an den Benutzer weiterleitet. Bei IRSystemen ist das nicht der Fall. • IR- Systeme- weniger Wert auf Vertraulichkeit zumal die Anfragen häufig relativ anonym gestellt werden können. IF- Systeme- über die langfristige Profilbildung stark an einen Anwender oder eine Anwendergruppe gebunden, lässt sich nur schwer anonymisieren. Zusätzlich enthalten die Anwenderprofile Informationen über die Anwender, weshalb die Profildaten vor unberechtigtem Zugriff geschützt werden müssen. Computerlinguistik • Morphologie Flexion, Komposition und Derivation Stemming (Normalisierung) Definition: Das Zurückführen einer Wortform auf einen Wortstamm (Strong- Stemming) oder das Zurückführen der Wortform auf das jeweilige Wort in Grundform (Lemmatisierung oder Weak- Stemming). Es gibt drei Möglichkeiten, ein Verfahren für die Normalisierung zu konzipieren: Lexikon- basiert, Algorithmen- basiert und kombiniert. - Lexikon- basiert= eine Tabelle wird angelegt, die in jeder Zeile einer Wortform das passende Wort bzw. den passenden Wortstamm zuordnet. Sehr einfach, aber manuell zu pflegen, was sehr aufwändig ist. - Algorithmen- basiert= Ersetzungsregeln werden definiert, die (ggf. in mehreren Durchläufen) auf einer Wortform angewandt werden. Die Regeln sind sprachabhängig zu definieren und bei Sprachen mit anspruchsvoller Morphologie schwer aufzustellen (z.B. Häuser). Ausserdem führen solche Regeln in Sprachen, wo Worte unregelmäßig gebeugt werden, zu einem Over- Stemming bzw. Under- Stemming (die zu normalisierende Wortform hat gegenüber dem eigentlichen Wort entweder zu viele oder zu wenige Buchstaben). - kombiniertes Verfahren= zuerst wird überprüft, ob ein passender Eintrag im Lexikon vorhanden ist. Wenn nicht, dann wird die Wortform unter Anwendung von Regeln normalisiert. Unregelmäßig gebeugte Wörter werden im Lexikon erfasst, und die regelmäßig gebeugten werden über das Regelwerk normalisiert. Ein bekanntes kombiniertes Lemmatisierungsverfahren für die deutsche Sprache ist Morphy. Syntax Die Syntax von Sätzen wird bei gängigen IF- und IR- Systemen nicht berücksichtigt. Unter Syntax wird in diesem Zusammenhang ein System von Regeln verstanden, die beschreiben, wie aus einem Inventar von Grundelementen durch spezifische (syntaktische) Mittel alle wohlgeformten Sätze einer Sprache abgeleitet werden können. Syntax- Parsing- automatische Analyse sprachlicher Ausdrücke im Bezug auf ihre Syntax, z.B. die Ableitung eines Syntax- Baumes basierend auf einer kontextfreien Grammatik. Bei dem Syntax- Parsing von natürlichen Sprachen treten drei Probleme auf: Ambiguität= Time flies like an arrow Interpretationen: Zeit fliegt wie ein Pfeil./ Zeitfliegen mögen einen Pfeil./ Bestimme die Geschwindigkeit von Fliegen so, wie es ein Pfeil tut. Abdeckung= Abdeckungsgrad der in Syntax- Parsern verwendeten Grammatiken. Effizienz= Das Parsing eines kurzen Artikels nimmt mehrere Minuten in Anspruch. Semantik Teildisziplin der Sprachwissenschaft, die sich mit der Analyse und Beschreibung der „wörtlichen“ Bedeutung von sprachlichen Ausdrücken beschäftigt. Satzsemantik- versucht die Bedeutung von natürlichsprachlichen Sätzen zu erfassen. Diskurssemantik- beschäftigt sich mit der Bedeutung von ganzen Dokumenten (Diskursen) Satz- und Diskurssemantik werden aus der syntaktischen Analyse abgeleitet. Die Anwendung von Syntax- Parsern im Bereich des IF und IR ist aber, wie gerade festgestellt, nicht praktikabel. Lexikalische Semantik- welche Bedeutung liegt einzelne Wörtern zu Grunde. Für einzelne Interpretationen (Bedeutungen) kann es mehrere Wörter (Synonymie) geben und für einzelne Wörter mehrere Interpretationen (Polysemie, Homonymie, Metonymie). Verhältnis von Wörtern und Interpretationen in ERM- Notation. (0,n) Wort - - (0,n) Zuordn. Interpretation Es gibt Wörter, die keine explizite lexikalische Bedeutung haben, z.B. die bestimmten Artikel im Deutschen (der, die, das). Sie werden in vielen IR- und IF- Systemen bei der Verarbeitung ignoriert. Mit Hilfe von Stoppwortlisten werden sie identifiziert und aus den Dokumenten entfernt. Umgekehrt ist es möglich, dass zu einer Interpretation noch kein Wort existiert. Solche Objekte müssen umschrieben werden. - Folgende semantische Phänomene können in Ontologien abgebildet und mit ihrer Hilfe erkannt werden. Dadurch können solche Phänomene von IF- und IR- Systemen verarbeitet werden. Synonymie= mehrere Wörter haben dieselbe Interpretation (Bedeutung), z.B. Auto, Automobil, Wagen. Ein Problem für IRund IF- Systeme. Bei IR wird die Anfrage ‚suche Dokumente zum Thema Auto‘ nicht korrekt beantwortet, weil z.B. Dokumente, in denen nur von ‚Wagen‘ gesprochen wird, dem Benutzer nicht zurückgeliefert werden. Polysemie und Homonymie= Unter Polysemie wird die Eigenschaft von Wörtern bezeichnet, auf verschiedene Entitäten zu referenzieren, die aber semantisch zueinander in Bezug stehen (z.B. Schule als Institution, Schule als Gebäude). Unter Homonymie versteht man Wörter, die sich hinsichtlich ihrer Orthographie (Homographe) und Aussprache (Homophone) gleichen und die mehrere unterschiedliche Interpretationen haben, die in keinem semantischen Zusammenhang zueinander stehen (Bank, Maus). Für IR- und IF- Systeme ist lediglich die Orthographie wichtig. Der Begriff Homographie wird folgendermaßen definiert: Homographie liegt dann vor, wenn einem Wort mehr als eine Interpretation zugeordnet ist. Ein Homograph hat demnach mindestens zwei verschiedene Interpretationen. Eine Unterscheidung zwischen Polysemen und Homographen wird nicht vorgenommen. Disambiguierung nennt man ein Verfahren, das unterscheiden kann, welche der verschiedenen Interpretationen eines Homographen im jeweiligen Kontext gemeint ist. Metonymie= eine nicht wörtliche Verschiebung der begrifflichen Interpretation (Teil- Ganzes und Verursacher- Effekt Relationen). Beispiele: Das Institut hat mich angerufen. (Institut anstelle des Namen der konkreten Person) Peter hört gerne Bach. (Verursacher- Effekt Relation) Homographie und Metonymie bereiten ebenfalls Probleme für IR-und IF- Systeme. - Antonymie Hyponymie und Meronymie= Als Antonymie bezeichnet man die semantische Gegensatzrelation(z.B. heiß-kalt). Als Hyponymie wird die semantische Relation der Unterordnung (Subordination) bezeichnet (‚Apfel‘ und ‚Birne‘ sind Hyponym zum Oberbegriff ‚Frucht‘). Meronymie bezieht sich auf die semantische Teil- Ganzes Relation (‚Reifen‘ und ‚Motor‘ sind Meronyme von ‚Auto‘). • Pragmatik= der Bereich der Linguistik, der sich mit dem sprachlichen Handeln beschäftigt. Im Unterschied zur Semantik betrachtet die Pragmatik die Bedeutungsaspekte, die über reine Wahrheitsbedingungen hinausgehen. Benutzermodellierung= ein Nebenbereich der Pragmatik, wichtig für IF und IR. Dadurch werden interaktive Software-Systeme in die Lage versetzt, ihr Verhalten an ihren jeweiligen Benutzer anzupassen.Dabei wird ein Benutzermodell erstellt, das die Eigenschaften des Benutzers beinhaltet. Insbesondere beim IF spielt die Benutzermodellierung eine große Rolle: das Benutzerprofil, anhand dessen ein IF- System die Relevanz von Nachrichten bewertet, ist ein Benutzermodell. Eine schnelle Erstellbarkeit und eine hohe Robustheit von Benutzerprofilen bei IF- Systemen ist sehr wichtig. Fazit Moderne IF- und IR- Systeme sollten folgende Aspekte der Linguistik berücksichtigen: Morphologie (Flexion, Komposition, Derivation), lexikalische Semantik (Synonymie, Homographie, Metonymie, Hyponymie und Meronymie) und Pragmatik (Benutzermodellierung). Ontologien - Definition ursprünglich in der Philosophie entstanden Wird in vielen Teilbereichen der Informatik benutzt, z.B. Wissensverarbeitung, Wissensmanagement, Verarbeitung natürlicher Sprache usw. Eine Ontologie ist ein Modell von sprachlichen Ausdrucksmitteln, auf die sich mehrere Akteure (Subjekte) geeinigt haben und die für eine Kommunikation zwischen den Akteuren benutzt werden. Ontologie- Modellierungssprachen Zur Formulierung einer Ontologie bedarf es einer Modellierungssprache. Sie legt über eine Syntax fest, wie die verschiedenen Elemente miteinander verbunden werden können und welche Bedeutung diese Verbindung hat. Es handelt sich dabei immer um eine formale Sprache., deswegen sind natürlichsprachliche Modelle, z.B. Enzyklopädien, keine Ontologien im Sinne der Informatik. Taxonomien, Klassifikationen und Systematiken Insbesondere in den Naturwissenschaften zur Klassifikation von Objekten zu verwenden. Dabei geht es um eine strikt hierarchische Klassifikation. Das heißt: zu jeder Subklasse gibt es maximal eine Superklasse (oder umgekehrt). Thesauren und Wortnetze Keine strikt hierarchische Klassifikation von Objekten und somit eine höhere Ausdruckskraft und Komplexität. Solche Modellierungssprachen erlauben zwischen Objekten beliebige Beziehungen, wobei auch unterschiedliche Beziehungstypen verwendet werden können. Zu den konkreten Ontologien, die mit den genannten Sprachen entwickelt wurden, gehört z.B. das WordNet. Dieses Netz bildet die Bedeutungen und Beziehungen (Synonyme, Homographen,…) zwischen Wörtern der englischen Sprache ab. Zwei deutsche Projekte mit ähnlichem Ziel sind GermaNet der Universität Tübingen und das Wortschatzlexikon der Universität Leipzig. Logisch-mathematische Repräsentationen und semiotische Thesauren Notationsformen der Logik oder Mathematik, Formalismen. Bekannte Modellierungssprachen in dieser Klasse sind u.a. KIF, GOL, OIL, RDF und Ontolingua. Bekannte Ontologien- FIPA Agent Management Ontology, die als Kommunikationsstandart eine wichtige Rolle bei der Inter- Agentenkommunikation spielt. Ein Beispiel für eine logisch-mathematische Repräsentation einer Ontologie: ist_ein(Auto, Fahrzeug); ist_ein(Motorrad, Fahrzeug); ist_ein(BMW, Firma); ist_ein(Audi, Firma); produziert(BMW, Auto); produtziert(Audi, Auto); hat_ mindestens(Auto, 4, Räder); hat_genau(Motorrad, 2, Räder); ist_ein(x, y) := ist_ein(y, Auto) UND ist_ein(x, Firma) UND produziert(x, Auto); X ist ein Auto, wenn X eine Firma ist, Die Autos produziert. Daraus folgt z.B.: Audi ist ein Auto. synonym(Auto, Wagen); synonym(Wagen, Automobil); synonym(x, y) := synonym(y, x); Wenn X ein Synonym zu Y ist, dann ist auch Y ein Synonym zu X. synonym(x, z) := synonym(x, y) UND synonym(y, z); Transitivität: Wenn X ein Synonym zu Y und Y ein Synonym zu Z ist, dann ist X auch ein Synonym zu Z. Daraus folgt z.B.: Auto ist ein Synonym zu Automobil. Zwei Probleme, die einer Integration von Ontologien in IF und IR Systeme im Wege stehen können: der Aufwand einer OntologieErstellung und der Rechenaufwand bei der Ontologie- Anwendung. Deswegen verwendet man möglichst vorhandene Ontologien und versucht sie fachspezifisch zu erweitern (GermaNet und Wortschatzlexikon für deutschsprachige Dokumente und WordNet für englischsprachige Dokumente). Aufgrund ihres hohen Rechenaufwands erscheinen logisch- mathematische Ontologien nur bedingt geeignet für IR- und IF- Systeme. Gängige IF/IR- Modelle Drei verschiedene Modellkategorien bezüglich ihres mathematischen Fundamentes: 1. Mengentheoretische Modelle- natürlichsprachliche Dokumente werden auf Mengen abgebildet und die Ähnlichkeitsbestimmungen von Dokumenten (in erster Linie) auf die Anwendung von Mengenoperationen zurückgeführt. 2. Algebraische Modelle- stellen Dokumente und Anfragen als Vektoren, Matrizen oder Tupel dar. Sie werden zur Berechnung von paarweisen Ähnlichkeiten über eine endliche Anzahl algebraischer Rechenoperationen in ein eindimensionales Ähnlichkeitsmaß überführt. 3. Probabilistische Modelle- das Verarbeiten von Dokumenten wird als ein Zufallsexperiment angesehen. Zur Abbildung von Dokumentenähnlichkeiten wird daher auf Wahrscheinlichkeiten und probabilistische Theoreme zurückgegriffen. Klassifikation der Modelle bezüglich ihrer modellinhärenten Eigenschaften der Terminterdependenzen: 1. Modelle ohne Terminterdependenzen. 2. Modelle mit Terminterdependenzen: - mit immanenten Terminterdependenzen - mit transzendenten Terminterdependenzen Fundamentale Konzepte Alle Verfahren zur Verarbeitung von natürlichsprachlicher Dokumente zerstückeln diese Dokumente in einzelne Terme als atomare Bestandteile eines Dokuments: ein Parser untersucht die Zeichenkette des Dokuments systematisch Zeichen für Zeichen, entfernt alle evtl. vorhandene Formatierungen(HTML- Befehle) und Sonderzeichen (z.B.: .;!?:) und ersetzt diese durch Leerzeichen. So entsteht eine Vielzahl von durch Leerstellen getrennten Wörtern, die als Terme bezeichnet werden. Wir unterscheiden so folgende Variablen: D= die Menge aller Dokumente T= die Menge aller Terme, die in den Dokumenten aus D vorkommen αd,t ∈ z≥0 ist die Anzahl des Vorkommens des Terms t ∈ T in dem Dokument d ∈ D. Sollte der Term t im Dokument d nicht vorkommen, dann ist αd,t = 0. Anwendung von Stoppwortlisten Zur Anwendung einer Stoppwortliste Tø ist folgendes Vorgehen erforderlich: Allen Vorkommen von Termen in Dokumenten, die Stoppwörter betreffen, wird vor der weiteren Verarbeitung der Wert Null zugewiesen (wodurch der alte Wert überschrieben wird). αd,t := 0 für jedes d ∈ D, t ∈ Tø Zusätzlich ist es sinnvoll, alle Stoppwörter aus der Menge der Terme T zu löschen, um die Verarbeitungsgeschwindigkeit zu erhöhen: T := T\Tø Durchführen des Stemming (der Normalisierung) Wörter werden auf ihre Stammform zurückgeführt. Man definiert eine Stemming- Funktion ⊥(t) = t ⊥,die zu jedem beliebigen Term t ∈ T den dazugehörigen Wortstamm t ⊥ ∈ T⊥ aus der Menge aller Wortstämme T⊥ ⊆ T liefert. Zusätzlich liefert die Funktion zu einem Wortstamm den eingegebenen Wortstamm zurück: ⊥(t ⊥) = t ⊥ für jedes t⊥∈ T⊥ Beim Aufstellen der Stemmingfunktion kann es (in Abhängigkeit von der Sprache der Dokumente) vorkommen, dass ein Term zu mehreren Wortstämmen gehört. Da dieser Fall bei den meisten Sprachen selten ist, wird dieses Problem in der Praxis ignoriert. Man trifft willkürlich eine Entscheidung, so dass die Funktion ⊥() eindeutig ist. Das Stemming wird umgesetzt, indem alle Terme, die keine Wortstämme sind, durch ihren Wortstamm ersetzt werden und alle Nicht- Wortstämme aus der Menge der Terme gelöscht werden. Anwendung von Synonymersetzungen Seltener angewandt als die anderen Verfahren. Ersetzen von synonymen Begriffen durch einen führenden Begriff. Da üblicherweise eine totale Synonymie unterstellt wird, ist dieses Vorgehen analog zu dem Vorgehen beim Stemming. Man definiert eine Funktion S(t) = ts , die zu jedem Term t ∈ T (z.B. Auto, Automobil, Wagen) den dazu passenden, synonymen und führenden Term ts aus der Menge der führenden Terme Ts ⊆ T Liefert (z.B. Wagen). Dann gilt: S(ts) = ts für jedes ts ∈ Ts Eine gängige Methode zur Implementierung der Synonymersetzungsfunktion ist die Verwendung einer Tabelle, wo die einzelnen Tabelleneinträge Term und führender Term sind. Bestimmung von Ähnlichkeiten Bei IR gibt der Anwender eine Anfrage q vor. Es ist erforderlich für alle Dokumente d ∈ D, die Ähnlichkeit sim(d, q) zwischen den Dokumenten und der Anfrage zu berechnen, um die Dokumente gemäß dieser Ähnlichkeit zu ordnen und dem Benutzer zu präsentieren. Bei IF ist ein anderes Vorgehen erforderlich: neue Dokumente werden vom System in verschiedene Klassen eingeordnet (z.B. ‚relevant‘ und ‚nicht relevant‘). Dazu ist es erforderlich, ein neues Dokument d ∈ D mit den Profilen der einzelnen Klassen zu vergleichen. Modelle ohne Terminterdependenzen - zeichnen sich dadurch aus, dass jeweils zwei verschiedene Terme als vollkommen unterschiedlich und in keiner Weise miteinander verbunden angesehen werden. Dieser Sachverhalt nennt man Orthogonalität von Termen- bei einer grafischen Interpretation wie bei den algebraischen Modellen- bzw. Unabhängigkeit von Termen. - eine starke Vereinfachung gegenüber der Realität der natürlichen Sprachen. Morphologische und lexikalisch- semantische Zusammenhänge zwischen Termen können nicht erfasst werden (z.B. Derivationsbeziehungen, Komposita- Beziehungen, sowie Metonymie, Hyponymie und Meronymie). - Beispiele für solche Modelle sind: Standart Boolean Model (SBM), Vector Space Model (VSM), Binary Independence Retrieval (BIR) (die drei Klassiker), Inference Network Model (INM), Belief Network Model (BNM) und Extended Boolean Model (EBM). Vector Space Model (VSM) - das VSM ist 1968 vorgestellt worden und gehört zu den Klassikern unter den algebraischen IF/IR- Modelle, das sich bis heute einer großen Beliebtheit in der Praxis erfreut. - Abgestufte Ähnlichkeitswerte und eine geometrische Interpretation von Dokumenten, die leicht zu vermitteln und anzuwenden ist. - das Modell repräsentiert alle Dokumente d ∈ D über einen Dokumentenvektor d ∈ R #T. Jede Dimension des Vektors entspricht dabei einem Term t i ∈ T. Da alle Dimensionen zueinander orthogonal sind, werden die Terme beim VSM somit als frei von Interdependenzen modelliert. Die Ausprägung einer jeden Dimension eines Dokumentenvektors ist über das Gewicht festgelegt: d = (wd,t1, wd,t2, …, wd,t #T) mit t i ∈ T Zur Berechnung von Gewichten gibt es viele Verfahren, darunter die tf- idf (term frequency-inverse document frequency) Verfahren. Gewichtungsschema: siehe auf den Kopien! - die Ähnlichkeit zwischen zwei Dokumenten di, dj ∈ D wird beim VSM üblicherweise unter Anwendung des normierten Skalaproduktes als der Kosinus des Winkels zwischen den Vektoren di und dj der beiden Dokumente berechnet: siehe auf den Kopien! - die Berechnung der Ähnlichkeit zwischen einem Dokument und einer Anfrage q verläuft analog zur Berechnung der Ähnlichkeit Zwischen zwei Dokumenten. Eine Anfrage wird beim VSM als virtuelles Dokument aufgefasst, das lediglich die in der Anfrage enthaltenen Terme hat, und bei dem die Gewichte analog zu den realen Dokumenten bestimmt werden. Dieses Modell erlaubt keine Verknüpfungsoperationen zwischen den Termen bei Anfragen. Da das VSM sowohl die Berechnung von Ähnlichkeiten zwischen Dokumenten als auch die Berechnung von Ähnlichkeiten zwischen Dokumenten und Anfragen unterstützt, kann das VSM problemlos für IF und IR verwendet werden. - bei der Berechnung von Ähnlichkeiten werden alle Terme der betroffenen Dokumente einbezogen. Daher ist die Anwendung von Stoppwortlisten und Stemming unumgänglich. Zur Behandlung von Synonymen sollte eine Synonymersetzung Verwendung finden, oder es sollten alternativ für das IF Query- Expansion- Methoden benutzt werden. Dabei werden Anfragen vor oder während der Verarbeitung um zusätzliche synonyme Terme erweitert. Modelle mit immanentenTerminterdependenzen - solche Modelle berücksichtigen vorhandene Interdependenzen zwischen Termen, d.h. Terme werden hier nicht als orthogonal bzw. unabhängig voneinander behandelt. Im Unterschied zu den Modellen mit transzendenten Terminterdependenzen, wird bei diesen Modellen das Ausmaß einer Interdependenz zwischen zwei Termen aus dem Dokumentenbestand, in einer vom Modell bestimmten Weise, abgeleitet (also dem Modell immanent). - die Interdependenz zwischen zwei Termen wird direkt oder indirekt aus der Co- Occurrenz der beiden Terme abgeleitet. Darunter versteht man das gemeinsame Auftreten zweier Terme in einem Dokument. D.h. zwei Terme sind zueinander interdependent wenn sie häufig gemeinsam in Dokumenten vorkommen. Bei den linguistischen Phänomenen der Flexion, Synonymie, Komposition, Hyponymie und Meronymie tendieren die Co- Occurrenz- basierten Ähnlichkeitsmaße dazu, die Ähnlichkeiten zwischen zwei Termen stark zu unterschätzen. Bei Wortgruppen wird hingegen die Ähnlichkeit überschätzt. (s. Co- Occurrenzen einiger Terme in WWW) Gründe dafür: 1. Flexion: Verschiedene Flexionsformen eines Nomens (Auto, Autos) sollten dem linguistischen Verständnis nach eine sehr große Ähnlichkeit haben. In der Praxis findet man aber gerade in kürzeren Dokumenten nur eines der beiden Wörter. Deswegen wird eine Ähnlichkeit erkannt, diese liegt aber deutlich unter dem aus linguistischer Sicht zu erwartenden Wert. Aus diesem Grund sollte man bei Modellen mit immanenten Terminterdependenzen nicht auf die gängigen Stemming- Verfahren verzichten. 2. Synonymie: Aus linguistischer Sicht erwartet man eine sehr hohe Termähnlichkeit. In der Praxis ist die Erkennung von Synonymen mit Hilfe von Co- Occurrenz- Maßen stark von der Art der Dokumente abhängig. Wenn in einem Text Synonyme häufig vorkommen, ist die Chance sehr gut sie unter Verwendung von Co- Occurrenz- Maßen zu erkennen. Anderseits ist die unbegründete Verwendung von Synonymen in wissenschaftlichen Texten eher weniger gerne gesehen. Besteht der Dokumentenkorpus überwiegend aus solchen Dokumenten, dann ist die Erkennung von Synonymen auf Basis von Co- Occurrenz- Maßen stark gefährdet. 3. 4. 5. Komposition: Aus linguistischer Sicht muss der Begriff ‚Gartenzwerg‘ (ein Kompositum) eine Ähnlichkeit zu dem Begriff ‚Zwerg‘ aufweisen (als Spezialfall). Ebenfalls eine thematische Ähnlichkeit zu ‚Garten‘. Zudem sollte ‚Gartenzwerg‘ bedeutungsidentisch mit der Wortfolge ‚ein Zwerg für den Garten‘ sein und somit eine hohe Ähnlichkeit zu der Wortfolge haben. Autoren von Dokumenten geben dem kürzeren Kompositum häufig den Vorzug gegenüber der längeren Wortfolge. Dadurch ist die Wahrscheinlichkeit, dass in kürzeren Texten sowohl das Kompositum als auch die Wortfolge vorkommt, relativ gering. Das hat zur Folge, dass die Ähnlichkeit zwischen den drei genannten Worten mit Co- Occurrenz- Verfahren systematisch unterschätzt wird. Hyponymie und Meronymie: In Dokumenten werden normalerweise nicht alle Bestandteile oder Über- und Unterbegriffe eines Wortes aufgezählt. Dementsprechend ist die Co- Occurrenz zweier Worte, die über Hyponymie oder Meronymie miteinander verbunden sind, eher gering und entspricht nicht der linguistisch motivierten Erwartung. Wortgruppen: Wortgruppen, die sehr bekannte Eigennamen repräsentiren, z.B. New York, kommen in vielen Dokumenten vor. Somit ergibt sich gemäß der Co- Occurrenz eine hohe Ähnlichkeit zwischen den beiden Worten, die aus linguistischer Sicht nicht existiert. Fazit: Einfache auf Co- Occurrenz basierende statistische Verfahren sind nicht immer in der Lage, Terminterdependenzen gemäß dem linguistischen Verständnis korrekt abzuleiten. Insofern kann die erwartete Qualitätssteigerung von Modellen mit immanenten Terminterdependenzen gegenüber den Modellen ohne Terminterdependenzen trotz des höheren Rechenaufwands nicht beobachtet werden. Beispiele für Modelle mit immanenten Terminterdependenzen: Generalized Vector Space Modell (GVSM), Modell des Latent Semantic Index (LSI) und Spreading Activation Neuronal Network (SANN). - Modelle mit transzendentenTerminterdependenzen keine Annahme über die Orthogonalität oder Unabhängigkeit von Termen. Im Unterschied zu den Modellen mit immanenten Terminterdependenzen können die Interdependenzen bei diesen Modellen nicht ausschließlich aus dem Dokumentenbestand und dem Modell abgeleitet werden. D.h., dass die den Terminterdependenzen zugrunde liegende Logik als über das Modell hinausgehend (transzendent), modelliert wird. Das Vorhandensein von Terminterdependenzen wird explizit modelliert, die konkrete Ausprägung einer Terminterdependenz wird aber direkt oder indirekt von außerhalb (z.B. von einem Menschen) vorgegeben. - direkt bei dem Topic-based Vector Space Model (TVSM), bei der in diesem Buch vorgestellten Erweiterung sowie das Retrieval by Logical Imaging (RbLI). Dabei werden die konkreten Ausprägungen der Terminterdependenzen direkt, z.B. in Form einer Tabelle, Matrix oder einer Ontologie von außen vorgegeben. - - - - indirekt- Modelle, bei denen die Interdependenzen indirekt vorgegeben werden, greifen auf Lernverfahren der künstlichen Intelligenz, um die indirekten Interdependenzinformationen in eine nutzbare Form umzuwandeln. Das Backpropagation Neuronal Network (BNN) z.B. erlernt die Interdependenzen anhand von Trainingsdaten. Bei dem Fuzzy Set Model handelt es sich um ein Mischverfahren: zuerst direkte Vorgabe für Terminterdependenzen, die später mit Trainingsdaten (indirekte Vorgaben) verfeinert wird. diese Modelle können durch die externe Vorgabe von Terminterdependenzen die linguistischen Phänomene besser erfassen, sofern die Vorgabe geeignet ist. Im Extremfall können die Terminterdependenzen von menschlichen Experten vorgegeben bzw. geprüft werden, um eine hohe Qualität der Vorgabe sicher zu stellen. Nachteil- höherer Aufwand bei der Generierung der Terminterdependenzen und der für die explizite Speicherung der Terminterdependenzen notwendige Speicherplatzbedarf. Bewertung der gängigen Modelle (s. Kopie) -- Kriterien für die Bewertung sind: 1. morphologische Kriterien 2. lexikalisch-semantische Kriterien 3. Wortgewichte- in wie weit ist ein Modell in der Lage, einzelnen Termen ein Gewicht zuzuweisen. Worte ohne Themenbezug (wie z.B. Präpositionen) sind beim IF und IR hinderlich. Sie werden üblicherweise über Stoppwortlisten entfernt. In einem IF/IRModell sollten idealerweise einzelnen Termen individuelle Termgewichte zugewiesen werden 4. Wortgruppen (New York, Windows XP) können spezielle Bedeutungen haben, die sich nicht alleine aus den einzelnen Worten ableiten lassen. Deswegen sollten Wortgruppen in einem IF/IR- Modell explizit berücksichtigt werden. Topic-based Vector Space Model (TVSM) -- das Modell wurde 2003 zum ersten Mal vorgestellt. Es ist ein Vektorbasiertes Modell, das eine Erweiterung und Verallgemeinerung des VSM und des GVSM ist. -- dem TVSM liegen zwei Ideen zugrunde: 1. Alle Terme werden mit einem Gewicht versehen, welche die Eignung eines Terms widerspiegeln, den thematischen Bezug eines Dokuments zu erschließen. 2. Verschiedene linguistische Phänomene können durch Ähnlichkeiten von Termen in Bezug auf das ihnen zugrunde liegende Thema abgebildet werden. Es handelt sich konkret um folgende Phänomene: - Flexion: verschiedene Flexionsformen eines Wortes haben maximale Termähnlichkeit - Komposition: das Kompositum weist ein gewisses Maß an Ähnlichkeit mit den Einzelworten des Kompositums auf - Derivation: zwischen dem Derivat und dem ursprünglichen Wort liegt hohe Ähnlichkeit vor - Synonymie: maximale Termähnlichkeit zwischen den Synonymen - Hyponymie und Metonymie: alle Wortbeziehungen vom Typ ist-ein, besteht-aus, etc. lassen sich durch Termähnlichkeiten ausdrücken (Term BMW soll eine sehr hohe Ähnlichkeit mit dem Term Auto haben). Veranschaulichung der Interpretation des TVSM- Vektorraums (s. Kopie). Fundamentale Annahme. Existenz eines Vektorraums, der in jeder Dimension nur positive Achsenabschnitte aufweist. Jede Dimension bzw. jeder Achsenabschnitt repräsentiert ein elementares Themengebiet. Diese Gebiete sind zueinander orthogonal. Jeder Term wird im Vektorraum durch einen Termvektor repräsentiert, wobei die Länge (der Betrag) des Termvektors auf einen maximalen Wert von eins beschränkt ist. Ein Term wird somit über den Termvektor einem oder mehreren Themengebieten zugeordnet. Die drei Stoppwörter der, die, das haben einen Betrag von Null, weil sie keinen Themenbezug haben. Als Maß für Ähnlichkeit zwischen zwei Termen ist bei TVSM der Kosinus des Winkels zwischen den beiden Termen definiert. Da der Vektorraum auf positive Achsenabschnitte eingeschränkt ist, sind Winkel von 0° bis 90° möglich, Termähnlichkeiten (Kosinus) von 0 bis 1 einschließlich. Implementierung mit einer relationalen Datenbank Anzahl Dokument (1,n) (0,n) DT_ZO Skalarpr (0,n) Wert Term (0,n) ID, Text, Betrag ID, Text Die Dokumentenmenge wird bei der Umsetzung im ERM durch den Entitytyp Dokument und die Termmenge durch Term repräsentiert. Die Vorkommenshäufigkeit eines bestimmten Terms in einem Dokument ist beim Einfügen eines jeden Dokuments, für jeden Term einmalig, im Attribut Anzahl des Relationshiptyps DT_ZO zu speichern. Dieser Relationshiptyp sollte nur diejenigen DokumentTerm- Kombinationen beinhalten, bei denen ein Term mindestens einmal im Dokument vorkommt (das Attribut Anzahl größer als Null ist). Die Termvektorlängen und der Winkel zwischen jeweils zwei verschiedenen Termvektoren werden lediglich durch die Termskalaprodukte repräsentiert. Die Berechnung der Dokumentähnlichkeiten basiert auf den Skalaprodukten und den in den Dokumenten vorkommenden Termen (Skalaprodukten werden durch den Relationshiptyp Skalaprodukt repräsentiert). Die gespeicherten Termskalaprodukte sollten größer als Null sein. Beim Einfügen eines neuen Dokuments in die Datenbank ist der Betrag des dazugehörigen Dokumentenvektors im Attribut Betrag des Entitytypen Dokument zu hinterlegen. Der einmal berechnete Betrag eines Dokuments braucht nicht erneut berechnet zu werden, solange nicht ein Termskalaprodukt eines im Dokument enthaltenen Terms zu einem beliebigen anderen im Dokument enthaltenen Term geändert wird. Die Termskalaprodukte sind als Relativ stabil anzusehen, deswegen ist eine nachträgliche Anpassung der Beträge der Dokumentenvektoren als eher selten anzunehmen. Der folgende in SQL formulierte Quelltextauszug zeigt die für die Implementierung des TVSM in einer relationalen Datenbank notwendigen Tabellen: CREATE TABLE Dokument ( ID INTEGER, Text TEXT NOT NULL, Betrag DOUBLE PRECISION, PRIMARY KEY (ID)); CREATE TABLE Term ( ID INTEGER, Text TEXT UNIQUE NOT NULL, PRIMARY KEY (ID)); CREATE TABLE DT_ZO ( DokID INTEGER NOT NULL REFERENCES Dokument (ID), TermID INTEGER NOT NULL REFERENCES Term (ID), Anzahl INTEGER NOT NULL, PRIMARY KEY (DokID, TermID)); CREATE TABLE Skalaprodukt ( Term1 INTEGER NOT NULL REFERENCES Term (ID), Term2 INTEGER NOT NULL REFERENCES term (ID), Wert DOUBLE PRECISION NOT NULL, PRIMARY KEY (Term1, Term2)); Einstellen neuer Dokumente/ Durchführen von Anfragen -- das TVSM integriert Stoppwörter und Flexionsformen, indem der Termvektorbetrag für Stoppwörter gleich Null gesetzt wird und der Winkel zwischen den Termvektoren verschiedener Flexionsformen eines Wortes als 0° definiert wird. Dementsprechend kommt das TVSM ohne externe Stoppwortlisten und Stemmingverfahren aus. Bei Implementierung des TVSM mit einer relationalen Datenbank muss ein Parser folgende Aufgaben durchführen, um neue Dokumente in das Modell einzustellen: 1. Neue Dokumente in einzelne Terme zerlegen. Vorhandene Formatierungen, Sonderzeichen etc. entfernen. 2. In der Tabelle Dokument ist ein neuer Eintrag zu erstellen. Die Anzahlen der verschiedenen Terme in dem neuen Dokument sind zu zählen und unter Verwendung von SQL- Befehlen in die Tabelle DT_ZO einzutragen. Wenn ein Term vorkommen sollte, der noch nicht in der Tabelle Term vorhanden ist, dann ist dieser Term anzulegen. 3. Dann ist der Betrag des Dokuments zu berechnen und im Attribut Betrag der Tabelle Dokument zu dem neuen Dokument zu hinterlegen. -- beim Einsatz des TVSM für IR- Aufgaben werden Anfragen als virtuelle Dokumente aufgefasst: 1. Eine Anfrage ist in einzelne Terme zu zerlegen. 2. Es ist ein neues Dokument in Tabelle Dokument zu erstellen, das die Anfrage repräsentiert. Zu jedem Term der Anfrage sind passende Einträge in DT_ZO zu erstellen. Die Terme der Anfrage, die nicht in der Tabelle Term vorhanden sind, werden ignoriert, wenn sie zu allen anderen Termen orthogonal sind (unabhängig von ihnen). 3. Der Verktorbetrag der Anfrage wird berechnet und in der Tabelle Dokument gespeichert. 4. Das Anfrage- Dokument wird mit den restlichen Dokumenten verglichen und das Ergebnis wird dem Benutzer präsentiert. Stoppwortlemma Die gängige Vorgehensweise in der Praxis, Stoppwörter in Dokumenten zu ignorieren. Der Betrag des Termvektors eines jeden Stoppworts hat den Wert Null. Die Termskalaprodukte zwischen zwei Termen sind dann genau Null, wenn einer der beiden involvierten Terme ein Stoppwort ist. Stemming- Lemma Vorgehensweise, Terme auf ihre Stammformen oder Worte in Grundform zurückzuführen und im späteren Verlauf nur mit den Stammformen bzw. Worten in Grundform weiter zu arbeiten. Der Winkel zwischen dem Termvektor eines Wortes und dem Termvektor seines Wortstamms ist Null Grad. Synonym- Lemma Vorgehensweise, synonyme Wörter auf einen führenden Begriff vor der weiteren Verarbeitung durch das IR/IF- System zurückzuführen, um die Zahl der zu betarchtenden Wörter zu reduzieren. Zwischen dem Termvektor eines Terms und dem Termvektor des passenden führenden Terms ist der Winkel Null Grad. Es wird angenommen, dass Terme und führende Terme gleich gut geeignet sind, den Themenbezug eines Dokuments festzustellen, d.h. der Betrag der beiden Termvektoren ist gleich (beide Trmvektoren sind identisch, was Richtung und Länge angeht). Für die Berechnung des Dokumentenbetrages sind lediglich die führenden Terme und die aggregierte Anzahl des jeweiligen Vorkommens aller führenden Terme im Dokument notwendig. Fazit -- Das TVSM ist ein algebraisches, Vektor- basiertes Modell mit transzendenten Terminterdependenzen. Das Modell legt seine den Termähnlichkeiten zugrunde liegenden Annahmen explizit dar. Für die Flexion und die Synonymie wird die Ähnlichkeit genau vorgegeben (ein Termwinkel von Null Grad). Für die Komposition, die Derivation, Hyponymie und Meronymie wird nur eine Angabe gemacht, dass eine gewisse Ähnlichkeit zwischen Termen, die über eines dieser Phänomene miteinander verknüpft sind, bestehen muss -- Fehlen einer Repräsentation von Homographie und Metonymie -- Wortgruppen werden von TVSM nicht explizit berücksichtigt Enhanced TVSM (eTVSM) Die Entitäten und die Beziehungen des Modells und ihre Interpretationen bzw. ihre Aufgaben sind hochgradig interdependet zueinander und zu dem zugrunde liegenden mathematischen Modell. Somit ist eine Entität oder Beziehung zwischen zwei Entitäten in einigen Fällen für sich, ohne Verweis auf die anderen Strukturen nicht nachvollziehbar. Dem eTVSM liegen folgende Gedanken zugrunde: 1. Speichere Dokumente derart ab, dass die Berechnung von Dokumentenähnlichkeiten mit einem geringen rechnerischen Aufwand durchgeführt werden kann. 2. Versuche möglichst viele linguistische Phänomene zu erfassen. 3. Verwende vorgegebene Themenstrukturen zur Ableitung von Ähnlichkeiten. Während bei den anderen Modellen ein Dokument aus einer gewichteten Menge von Termen besteht und Terme mit Worten bzw. Wortstämmen gleichgesetzt werden, haben diese Begriffe (die im Datenmodell durch jeweils eigene Entitytypen repräsentiert werden, s. Kopie) beim eTVSM eine unterschiedliche und genau definierte Bedeutung: Dokument: Liste von Worten, bei der jedem Wort eine eindeutige Position im Dokument zugewiesen wird. Wort: Die direkten Bestandteile eines Dokuments, die nach dem Entfernen von Formatierungen, Abbildungen sowie Satz- und Sonderzeichen übrig bleiben. Wortstamm: Zu jedem Wort ist ein Wortstamm definiert, der je nach verwendetem Stemming- Verfahren entweder der Grundform des Wortes oder dem Stamm eines Wortes entspricht. Term: Besteht entweder aus einem einzelnen Wortstamm oder aus einer Gruppe von mehreren Wortstämmen (New York). Interpretation: Eine mögliche Bedeutung eines Terms. Zwei Terme können sich eine Interpretation teilen (Rechner und Computer). Andererseits kann ein Term wie Maus mehrere Interpretationen haben. In diesem Fall handelt es sich um einen Homographen. Thema: höchste Abstraktionsstufe und thematischer Bezug für Interpretationen. Themen sind strukturiert und die ihnen zugrunde liegende Struktur (s. Kopie) wird zur Ableitung von Ähnlichkeiten zwischen Interpretationen verwendet. Interpretationen müssen mindestens einem Thema zugeordnet werden. Es ist sinnvoll, einigen speziellen Interpretationen (z.B. Homographen) mehrere Themen zuzuordnen. Konstrukte des eTVSM und ihr Bezug zu linguistischen Phänomenen (s. Kopie) -- einige linguistische Phänomene benötigen zur Abbildung mehrere Zuordnungen und einige Zuordnungen werden zur Repräsentation mehrerer linguistischer Phänomene verwendet. Insbesondere die Homographie und die Metonymie erweisen sich als kompliziert. Transaktionen und ihre Ein-/Ausgabedaten (s. Kopie) -- die zeitlich- sachlogischen Zusammenhänge der verschiedenen Zuordnungen und Entitäten. Zuerst werden ontologiebezogene linguistische Daten (Themenstruktur) durch eine Vorbereitungstransaktion zu Interpretations- Skalaprodukten verarbeitet (entspricht dem dritten Gedanken des eTVSM). Diese Transaktion dient der Ableitung von Ähnlichkeiten aus vorgegebenen Themenstrukturen. Aufbauend auf diesen Ähnlichkeiten können die Skalaprodukte für die verschiedenen Interpretationen abgeleitet werden. Die Skalaprodukte bilden neben den DokumentInterpretation- Zuordnungen die Basis zur Berechnung von Dokumentähnlichkeiten. Die Skalaprodukte sind streng genommen redundant, was für eine hohe Performanz des Systems notwendig ist. Die Vorbereitungstransaktion wird idealerweise nur einmal ausgeführt. - -- Über die Dokument- Einstellungstransaktionen werden möglichst viele linguistische Phänomene beim Einlesen von neuen Dokumenten erfasst. Diese Transaktionen verwenden linguistisches „Wissen“, das in den verschiedenen Zuordnungen erfasst ist, um die Dokumente derart aufzubereiten, dass diese in Form einer Dokument- InterpretationZuordnung repräsentiert werden. Diese Zuordnung ist streng genommen redundant. Die Dokument- Einstellungstransaktionen berechnen zusätzlich die Dokumentenbeträge analog zum TVSM. -- Die Berechnung der Dokumentenähnlichkeiten beim eTVSM erfolgt basierend auf den (redundanten) Dokument- InterpretationZuordnungen, den Dokumentenbeträgen und den (redundanten) Interpretations- Skalaprodukten. Interpretationen und Skalaprodukte dienen sla Basis für die Berechnung wegen der gewählten Umsetzung des Synonym- Lemmas und die Erweiterung des Modells um die Phänomene der Homographie und Metonymie. Nach eTVSM ist das Konzept des Synonym- Lemmas ‚unschön‘, weil die Wahl des führenden Terms willkürlich ist und weil diese Art der Umsetzung nicht den realen Umständen entspricht. Es ist sinnvoll, das Kkonstrukt der Interpretation einzuführen und synonymen Termen dieselbe Interpretation zuzuordnen. Somit übernimmt die Interpretation die Aufgabe eines führenden Begriffs. Homographie und Metonymie können so auch berücksichtigt werden, indem einem Term mehrere Interpretationen zugeordnet werden Vergleich mit anderen Modellen/ Kritik -- das eTVSM baut sichtbar auf dem TVSM auf und versucht die Kritikpunkte an ihm zu beseitigen. Dieses geschieht dadurch, dass das eTVSM die Termähnlichkeiten durch die Einführung von Themen und Themenstrukturen operationalisiert und dadurch, dass Stoppwortliste und Stemming explizit in einem eigenen Konzept im Datenmodell berücksichtigt werden. Zusätzlich gibt es Konzepte, durch die Wortgruppen bzw. zusammengesetzte Terme, Homographen und Metonymie berücksichtigt werden. -- Modell mit transzendenten Terminterdependenzen mit direkt in Form einer Ontologie vorgegebenen Terminterdependenzen. Der Aufwand für das Aufstellen einer expliziten Ontologie ist geringer als der Aufwand Millionen von unterschiedlichen Einzelbeispielen zu erstellen, die die Ontologie indirekt beschreiben. Fazit 1. 2. 3. 4. Das eTVSM bringt das Potential IF- und IR- Aufgaben besser zu lösen als die bisherigen Ansätze, weil es Wortzusammenhänge unter Verwendung von Ontologien berücksichtigt. Das Modell kann entweder schrittweise um Wortzusammenhänge erweitert werden oder an bereits vorhandene Ontologien (z.B. WordNet oder GermaNet) angebunden werden. Das eTVSM kann unter Verwendung von relationalen Datenbanken implementiert werden, wodurch eine Massendaten- taugliche Implementierung des Verfahrens mit einem relativ geringen Programmieraufwand möglich wird. Zusätzlich kann es über die SQL- Schnittstelle der Datenbank relativ leicht an andere Anwendungen angeschlossen werden. Eine ausführliche Evaluation des eTVSM mit aufwändigen und praxisnahen Tests steht noch aus. Versuche mit einfachen Beispielen unter idealisierten Bedingungen sind jedoch vielversprechend. Ende Literatur: Kuropka, Dominik: Modelle zur Repräsentation natürlichsprachlicher Dokumente. Ontologie- basiertes Information- Filtering und –Retrieval mit relationalen Datenbanken, Berlin, 2004.
