Entwicklung eines Werkzeugs zurOnline Textanalyse und -klassifikation

Magisterarbeitim Studiengang Linguistische Informatik

(Magister Artium)

26.11.08 Nicolas Goessnitzer 2

Magisterarbeit: Entwicklung eines Werkzeugs zur Online Textanalyse und –klassifikation

Inhaltsübersicht

1. Einleitung und Übersicht

2. Demonstration der Textmühle

3. Theoretische Überlegungen

4. Aufbau und Struktur der Textmühle

5. Fazit

26.11.08 Nicolas Goessnitzer 3

Magisterarbeit: Entwicklung eines Werkzeugs zur Online Textanalyse und –klassifikation

1. Einleitung und Übersicht

– Wofür wird die Textmühle eingesetzt?• Verarbeitung von Texten und Korpora

– Konvertierung von Dateiformaten

– Erstellung von Wort- und Frequenzlisten

– Morphologische Analysen (mit malaga, bzw. jslim)

– kontrollierte Erstellung von Korpora

• Statistische Berechnungen– Verteilungen von Domänen eines Korpus

– Wortanzahlen in Texten und Domänen

– Type/Token-Verteilungen

– Klassifikation / Clusteranalyse

26.11.08 Nicolas Goessnitzer 4

Magisterarbeit: Entwicklung eines Werkzeugs zur Online Textanalyse und –klassifikation

1. Einleitung und Übersicht

Übersicht zu den Dateiformaten im WWW

Berücksichtigung bei Textmühle

26.11.08 Nicolas Goessnitzer 5

Magisterarbeit: Entwicklung eines Werkzeugs zur Online Textanalyse und –klassifikation

1. Einleitung und Übersicht

Übersicht zu den Dateiformaten im WWW

26.11.08 Nicolas Goessnitzer 6

Magisterarbeit: Entwicklung eines Werkzeugs zur Online Textanalyse und –klassifikation

1. Einleitung und Übersicht

– Was sind die wesentlichen Merkmale der Textmühle?

• Zugriff über das Internet

• Verarbeitung der Anforderungen erfolgt auf dem Server

• Programmierung in einer „offenen“ Programmiersprache (PHP)

• Keine Abhängigkeit vom Betriebssystem des Benutzers

• Leichter Zugang zu Daten und Bearbeitungsprozeduren

• Keine umständliche Installation und Konfiguration für den Nutzer

• Zusammenarbeit mit anderen Applikationen im WWW

26.11.08 Nicolas Goessnitzer 7

Magisterarbeit: Entwicklung eines Werkzeugs zur Online Textanalyse und –klassifikation

1. Demonstration

– Verarbeitung eines Korpus anhand einer Beispielkollektion

– Analyseergebnisee des Testkorpus wifi

– Der Ablauf der Verarbeitungsschritte:• Import

• Konvertierung

• Filter

• Frequenzliste

• Morphologie

• Clusteranalyse

26.11.08 Nicolas Goessnitzer 8

Magisterarbeit: Entwicklung eines Werkzeugs zur Online Textanalyse und –klassifikation

1. Demonstration

26.11.08 Nicolas Goessnitzer 9

Magisterarbeit: Entwicklung eines Werkzeugs zur Online Textanalyse und –klassifikation

1. Theoretische Überlegungen

3.1 Basiselemente Linguistischer Analysen

– Term - Wort, Wortform, Grundform, Morphem und Allomorph

– Text

– Korpus

Praktischer Analyseansatz zur Tokenisierung:

Das Wort ist eine sprachliche Einheit, die in der geschriebenen Sprache durch Leerstellen begrenzt ist.

Herbst, Stoll, u. Westermayr (1991, S. 79, Definition 317)

Pragmatische Definition von Text und Korpus:

Der Terminus “Text“ bezeichnet eine begrenzte Folge von sprachlichenZeichen […] Brinker (2005, S.17f)

Ein Korpus ist eine Sammlung schriftlicher oder gesprochener Äußerungen in einer oder mehreren Sprachen […]

Lemnitzer u. Zinsmeister (2006, S. 40)

26.11.08 Nicolas Goessnitzer 10

Magisterarbeit: Entwicklung eines Werkzeugs zur Online Textanalyse und –klassifikation

1. Theoretische Überlegungen

Einschub: Korpuskodierungen

Welche Korpuskodierungen sind gebräuchlich?→ überwiegend scheint eine XML-Codierung das Gebräuchlichste zu sein:

Korpus Umfang Kodierung

Reuters Corpus ~ 200 Mio. lfd. Wortformen XML

DWDS1 ~ 40 Mio. lfd. Wortformen XML

AAC2 ~ 100 Mio. lfd. Wortformen n.b.

Deutsches

Referenzkorpus ~ 2.000 Mio. lfd. Wortformen IDS-Textmodell (XML)

negr@ corpus ~ 350 Tsd. lfd. Wortformen SQL-DB

BNC ~ 100 Mio. lfd. Wortformen XML (neue Version)

COBUILD3 ~ 65 Mio. lfd. Wortformen n.b.

Oslo ~ 1,5 Mio. lfd. Wortformen txt/ascii

LIMAS ~ 1 Mio. lfd. Wortformen n.b.

1 DWDS: Digitales Wörterbuch der deutschen Sprache

2 AAC: Austrian Academy Corpus (kaum Informationen via www zugänglich)

3 COBUILD: Die Internetpräsenz des Collins-COBUILD Korpus ist z.Zt. nicht verfügbar

26.11.08 Nicolas Goessnitzer 11

Magisterarbeit: Entwicklung eines Werkzeugs zur Online Textanalyse und –klassifikation

1. Theoretische Überlegungen

3.2 Knowledge Discovery

– Unvorstellbare Mengen an Dokumenten und Daten

– Methoden zur Aufdeckung versteckter Zusammenhänge oder weitergehender Informationen (Data Mining, Text Mining)

Benachbarte Gebiete des KD nach Hotho (2004, S.30)

26.11.08 Nicolas Goessnitzer 12

Magisterarbeit: Entwicklung eines Werkzeugs zur Online Textanalyse und –klassifikation

1. Theoretische Überlegungen

3.3 Angewendete Methoden des Textmining

– Stopplisten

– Anwendung linguistischen Wissens (Morphologische Analyse)

– Löschen von seltenen Wörtern (insbesondere Hapax Legomena)

– Normierung und Gewichtung der Daten

Unter Berücksichtigung kritischer Einflussfaktoren:

→ Datenmenge→ Dateiformate→ Zeichensätze→ Sprache der Dokumente

26.11.08 Nicolas Goessnitzer 13

Magisterarbeit: Entwicklung eines Werkzeugs zur Online Textanalyse und –klassifikation

1. Theoretische Überlegungen

3.3 Angewendete Methoden des Textmining: Einflussfaktoren

– Datenmenge• Entwicklung 60er Jahre bis Gegenwart:

Anzahl der laufenden Wortformen (z.T. 100 Mio. und mehr)

• Datenübertragungsrate für Internetanwendungen

Zeitl. A

bfolge

26.11.08 Nicolas Goessnitzer 14

Magisterarbeit: Entwicklung eines Werkzeugs zur Online Textanalyse und –klassifikation

1. Theoretische Überlegungen

3.3 Angewendete Methoden des Textmining: Einflussfaktoren

– Dateiformate • Abdecken möglichst vieler verschiedener Eingangsformate

• Probleme bei proprietären Formaten (z.B. Microsoft)

• Verfügbarkeit von Anwendungen zur Konvertierung

– Zeichensätze• Quasi-Standard UTF-8 für Internet

• Problem der Erkennung der konkreten Ausgangskodierung

(z.B. ISO-x, Ascii, Ansi)

• Theoretische Lösung: Annotierung der Kodierung mit XML

– Verwendete Sprache der Daten1. Prinzipiell gelöstes Teilproblem für hinreichend große Textlänge

• Problem der Multilingualität in Texten (insbesondere im WWW)

26.11.08 Nicolas Goessnitzer 15

Magisterarbeit: Entwicklung eines Werkzeugs zur Online Textanalyse und –klassifikation

1. Theoretische Überlegungen

3.3 Angewendete Methoden des Textmining

– Ansätze zur Anwendung linguistischen Wissens• Probabilistisches Stemming

• „Linguistisches“ Stemming

• Linguistische morphologische AnalyseDie zugrunde liegende Theorie, die Allomorph-Methode, basiert auf der von

Roland R. Hausser entwickelten SLIM-Sprachtheorie

– Zerlegung der Oberfläche (Segmentierung)

– Klassifikation der elementaren Bestandteile (Lexical-Lookup)

– Regelbasierte Zusammensetzung und grammatische Gesamtanalyse der Wortform (Konkatenation)

– Stoplisten• Reduktion auf die semantisch relevanten Elemente

• Qualitätsverbesserung für Stoplisten durch Wortformerkennung

26.11.08 Nicolas Goessnitzer 16

Magisterarbeit: Entwicklung eines Werkzeugs zur Online Textanalyse und –klassifikation

1. Theoretische Überlegungen

3.3 Angewendete Methoden des Textmining

– Löschen seltener Wörter• Rechnerisch aufwendige Clusteranalyse bedingt Reduktion der

berücksichtigten Terme/Wörter

• Reduktion von Ausreissern („Rauschen“)

Absicherung: Vorkommenshäufigkeit < Schranke

• Methoden: Dokument-Pruning und Wort-Pruning

• Entfernen von invarianten Wörtern

– Normierung und Gewichtung• Skalierung der Frequenzen an Normgröße

– Ermöglicht Verfahren mit absoluten Frequenzen

– Verdeckung von Unterscheidungsmerkmal Text-/ Domänengröße

• Gewichtung der Wortdimensionen1. tfidf: Ausreisser (sehr hohe bzw. sehr niedrige Frequenz erhalten niedrigeres

Gewicht)

– Gewichtung nach Varianz

26.11.08 Nicolas Goessnitzer 17

Magisterarbeit: Entwicklung eines Werkzeugs zur Online Textanalyse und –klassifikation

1. Theoretische Überlegungen

3.4 Clusteranalyse

– Ziel einer Clusteranalyse:Auffinden von homogenen Teilmengen von Objekten in

einer heterogenen Gesamtheit von Objekten

– Vielfältige Anwendungsgebiete: Archäologie, Biologie, Chemie, (Computer-)Linguistik, Geologie, Informatik,

Klimaforschung, Medizin, Psychologie, Soziologie, Wirtschaftswissenschaften…

– Problem des Entscheidungszwangs zu maximaler Homogenität in einer Gruppe oder maximaler Heterogenität zwischen Gruppen

– Hauptproblem: eindeutige Bestimmung des geeignetsten Verfahrens

Aufgrund der Berechenbarkeit:Bei 10 Elementen und 5 Gruppen bestehen 42525 Möglichkeiten

Bei 50 Elementen sind es bereits 7,401 •1032 Möglichkeiten

26.11.08 Nicolas Goessnitzer 18

Magisterarbeit: Entwicklung eines Werkzeugs zur Online Textanalyse und –klassifikation

1. Theoretische Überlegungen

3.4 Clusteranalyse

– Überblick zu den gängigen Verfahren

Clusteralgorithmen nach Backhaus u.a. 2005, S. 511

26.11.08 Nicolas Goessnitzer 19

Magisterarbeit: Entwicklung eines Werkzeugs zur Online Textanalyse und –klassifikation

1. Theoretische Überlegungen

3.4 Clusteranalyse

– Zugrundeliegende Repräsentation: Vektorraummodell

– Einsatz von Distanz- oder Ähnlichkeitsmaßen zur Analyse der Eigenschaften von Clusterelementen

– Basis-Algorithmen

K-means Algorithmus als Beispiel für partitionierende Verfahren

1 Initiale Auswahl von K Elementen als Clusterzentren

2 (wiederhole solange)

3 Bilde K neue Cluster durch Zuordnung jedes Elements zu dem ihm

nächsten stehenden Clusterzentrums

4 Neuberechnung aller Clusterzentren

5 (bis sich die Clusterzentren nicht mehr verändern)

Probleme bei partitionierenden Verfahren:

→ Die Zielfunktion hat zu großen Einfluss auf das Ergebnis→ Wahl der Startgruppierung ist oft nur subjektiv→ Unlösbarkeit des Problems der lokalen Optima

26.11.08 Nicolas Goessnitzer 20

Magisterarbeit: Entwicklung eines Werkzeugs zur Online Textanalyse und –klassifikation

1. Theoretische Überlegungen

3.4 Clusteranalyse

– Zugrundeliegende Repräsentation: Vektorraummodell

– Einsatz von Distanz- oder Ähnlichkeitsmaßen zur Analyse der Eigenschaften von Clusterelementen

– Basis-Algorithmen

Schematischer Ablauf aller agglomerierendenVerfahren

1 (wenn erforderlich) Berechnen der Distanz- oder Ähnlichkeitsmatrix

2 (wiederhole solange)

3 Vereinige die beiden Cluster, die sich am nächsten stehen

4 Berechnung des neu gebildeten Clusters und Substitution der beiden vorherigen

Cluster in der Distanz- oder Ähnlichkeitsmatrix

5 (bis nur noch ein Cluster mit allen Elementen übrig ist)

Probleme bei agglomerierenden Verfahren:

→ Gefahr einer fehlerhaften irreversiblen Zuordnung→ Berechnungsaufwand für divisive Methode (Top-Down)

26.11.08 Nicolas Goessnitzer 21

Magisterarbeit: Entwicklung eines Werkzeugs zur Online Textanalyse und –klassifikation

1. Theoretische Überlegungen

3.4 Clusteranalyse: Überblick zu agglomierierenden Verfahren

– Single-Linkage-Verfahren („Nearest Neighbor“)

– Complete-Linkage-Verfahren („Furthest Neighbor“)

– Centroid-Verfahren (Bezug auf Clustermittelpunkte)

– Ward‘s Methode• Einsatz des Varianzkriteriums

• Fusionierung der Elemente mit dem minimalen Fehlerzuwachs

→ im intuitiven Ansatz bereits bessere Ergebnisse als die meisten anderen Verfahren

→ vor allem für größenordnungsmäßig vergleichbare Cluster geeignet

26.11.08 Nicolas Goessnitzer 22

Magisterarbeit: Entwicklung eines Werkzeugs zur Online Textanalyse und –klassifikation

1. Theoretische Überlegungen

3.4 Clusteranalyse: Visualisierung der Ergebnisse

Darstellung der Ausgangsdaten

– Darstellung von Punktewolken der Merkmale (n-1 2-dimensionale Darst.)

– Histogramm

Darstellung der Analysen

– Dendrogramm

– Struktogramm

„Ellbogen-Kriterium“

26.11.08 Nicolas Goessnitzer 23

Magisterarbeit: Entwicklung eines Werkzeugs zur Online Textanalyse und –klassifikation

1. Theoretische Überlegungen

3.4 Clusteranalyse: Varianten der Textklassifikation

– Initiale Klassifikation innerhalb eines Korpus

– Klassifikation eines neuen Textes• Anwendung existierender Ähnlichkeits- und Distanzmatrizen

• Erneute Clusteranalyse mit n+1 Elementen und ggf. Neuverteilung

– Gruppierung/Klassifikation mittels Cluster-Analyse funktioniert bereits mit niedriger Dimensionalität

– Verbesserungansätze von Analyseergebnissen durch Einsatz von Ontologien („Konzeptbildung“)

26.11.08 Nicolas Goessnitzer 24

Magisterarbeit: Entwicklung eines Werkzeugs zur Online Textanalyse und –klassifikation

1. Aufbau und Struktur der Textmühle

4.1 Systemumfeld und technischer Rahmen

– Entwicklung der Textmühle in PHP, Dateisystemoperationen in Perl

– Zugrunde liegendes Prinzip von Client-Server-Anwendungen

26.11.08 Nicolas Goessnitzer 25

Magisterarbeit: Entwicklung eines Werkzeugs zur Online Textanalyse und –klassifikation

1. Aufbau und Struktur der Textmühle

4.1 Systemumfeld und technischer Rahmen

– Berücksichtigung des modularen Aufbaus bei Implementierung

– Entwicklung mit Eclipse, Versionierung mit Subversion

– Integration von bestehenden Anwendungen:• Grammatikentwicklungssysteme Malaga und jslim

• Konvertierungsprogramme für XML-Formate, pdf und ps– Xpdf, Ghostscript (Win) vs. ps2ascii, html2text (Suse-Linux), PHP SDOM Parser

• Ajax-Modul sajax für verbesserte Bedienung und parallele Anfragen

• Grafikbibliothek phplot zur Generierung der Diagramme und Grafiken

• weitere PHP-Module für spezifische Funktionen

26.11.08 Nicolas Goessnitzer 26

Magisterarbeit: Entwicklung eines Werkzeugs zur Online Textanalyse und –klassifikation

1. Aufbau und Struktur der Textmühle

4.2 Aufbau der Textmühle (Module)

– Benutzeroberfläche• Benutzerrollen und –konten

• Internationalisierung

• Fehlerbehandlung

– Struktur der GUI

26.11.08 Nicolas Goessnitzer 27

Magisterarbeit: Entwicklung eines Werkzeugs zur Online Textanalyse und –klassifikation

1. Aufbau und Struktur der Textmühle

4.2 Aufbau der Textmühle (Module)

– Gesamtprozess Vorhergehende Probleme:Neuentwicklung des Korpusprozessesmit Unterstützung mittels Perl

26.11.08 Nicolas Goessnitzer 28

Magisterarbeit: Entwicklung eines Werkzeugs zur Online Textanalyse und –klassifikation

1. Fazit

Erkenntnisse aus Einsatztests und Anwendung

– Erzeugung von vielfältigen Analysedaten• Wortanzahlen bgzl. Texten und Domänen

• Frequenzverteilungen (Type-Token, Terme)

• Morphologische Analyse der Wortformen

• Clusteranalyse

– Problemstellungen• Performance bei Internetanbindung der Morphologiemodule

• Integration Dateimodus

• Anforderungen an Serverkonfiguration und –leistung

– Zukünftige Planung1. Weiterentwicklung

• Direktanbindung Morphologie

• OpenSource?