Konrad-Zuse-Zentrum für Informationstechnik Berlin (ZIB) Wolfram Sperber

Kann man automatisch klassifizieren? Probleme und

Ansätze automatischer Klassifikation

DMV Jahrestagung 2006

Minisymposium Information, Kommunikation und Bibliotheken für die Mathematik

19.9.2006

Wolfram Sperber

2

Agenda

Einführende Bemerkungen

Automatische Klassifizierung

Erste Experimente

State of the art / Nächste Schritte

Wolfram Sperber

3

Agenda

Einführende Bemerkungen

Automatische Klassifizierung

Erste Experimente

State of the art / Nächste Schritte

Wolfram Sperber

4

Einführende Bemerkungen (I)

Klassifikation ist ein „klassisches“ Problem, mit dem sich schon Aristoteles beschäftigte.

Klassifikation ist ein wichtiges Problem: Viele Probleme lassen sich als Klassifikationsprobleme formulieren.

Klassifikationsschemata sind typischerweise hierarchisch organisiert.

Wolfram Sperber

5

Einführende Bemerkungen (II)

Die Objekte einer Klasse haben dieselben Eigenschaften.

Klassifikationschemata stellen Relationen zwischen Konzepten (Klassen) eines Gebietes dar.

Klassifikationsschemata sind nützliche Hilfsmittel zum Verstehen: Eigenschaften von Klassen werden top-down vererbt.

Wolfram Sperber

6

Klassifikation – ein schwieriges Problem (I)

Klassifikationsschemata sind subjektiv: nicht ein universelles Klassifikationsschema Schemata unterscheiden sich in Gebiet,

Zielsetzung und Granularität

Klassifikationssysteme sind abhängig von ihrer Zeit (dynamisch) : müssen an die Entwicklung des Gebietes

angepasst werden

Klassifikationssysteme sind unvollständig Kein Klassifikationsschema kann eine

komplette Beschreibung aller Eigenschaften der Objekte einer Klasse bieten.

Wolfram Sperber

7

Klassifikation – ein schwierigesProblem (II)

Klassifikationen sind nicht eindeutig: jede Klasse hat Repräsentanten, die typisch

für die Klasse sind („Kernbereich“ der Klasse), andere Objekte sind atypisch für die Klasse

oder gehören zu verschiedenen Klassen („Randzonen“ einer Klasse)

Wolfram Sperber

8

Klassifikation – ein schwieriges Problem (III)

Bis heute wird die Klassifizierung durch Menschen vorgenommen, die

über verschiedenes Wissen verfügen(das betrifft auch das Wissen über die Struktur und den Umgang mit den Klassifikationschemata)

unterschiedliche Erfahrungen haben unterschiedliche Ziele und Interessen

verfolgen

Wolfram Sperber

9

Klassifikation in der Mathematik Der erste systematische Versuch:

Das Jahrbuch über die Fortschritte der Mathematik (1868)

MSC MSC – Überblick MSC – die Klassen

neue Player definieren ihre eigene Systematik Wikipedia – die Eingangsseite Wikipedia – die Kategorien

Verschiedene Klassifikationsschemata: die MSC ist die wichtigste für die Klassifikation mathematischer Forschungsartikel und Bücher.

Wolfram Sperber

10 Mathematische Klassikationschemata Klassifikation erfolgt durch

Autoren (z.B. ArXiv server) Experten (Math Reviews, Zentralblatt)

Qualität der Klassifikation Es ist keine systematische Evaluation der Klassifikationen mathematischer Publikationen bekannt, aber zumindest auf der Top Level Ebene scheinen die Klassifikationen korrekt zu sein. Aber Experten klassifizieren unterschiedlich Was ist mit der Klassifikation auf dem zweiten und

dritten Level Was ist mit der Vollständigkeit (alle relevanten MSC

Klassen)?

Wolfram Sperber

11 Kann eine mathematische Publikation korrekt klassifiziert werden?

Prinzipiell ja

Wie?

Die Idee: Automatische Klassifizierung in Kombination mit Experten Klassifizierung.

Wolfram Sperber

12

Agenda

Einführende Bemerkungen

Automatische Klassifizierung

Erste Experimente

State of the art / Nächste Schritte

Wolfram Sperber

13

Automatische Klassifikation

Klassifikation und Mathematik: Was kann die Mathematik tun, um das Problem der Klassifikation zu lösen?

Wolfram Sperber

14

Automatische Klassifikation mathematischer Texte

Verschiedene Aspekte Analysis der mathematischen Formeln Kontext Analyse

Der Kontext eines Dokuments ist gegeben durch z.B. die Profile der Autoren, der Journale, die Referenzen einer Publikation)

Text Kategorisierung (Text Analysis) Ein Dokument wird anhand der Wörter und Phrasen, die in dem Dokument auftreten, klassifiziert

Wolfram Sperber

15

Eine Definition des Begriffs Text Kategorisierung

Definition (Sebastiani): Text Kategorisierung (Klassifikation) ist die Aufgabe, jedem Paar (dj,ci) D ×C einen Booleschen Wert zuzuordnen, wobei D eine Menge von Dokumenten und C = [c1, …,c|C|] eine Menge gegebener Kategorien ist.Der Wert T für das Paar (dj,ci) heißt, dass das Dokument dj zu ci zuzuordnen ist, während der Wert F bedeutet, das das Dokument dj nicht zu ci gehört.

Wolfram Sperber

16

Text Kategorisierung: das Prinzip (I)

Textkategorisierung ist eine Methode des Machine Learning Ausgangspunkt: eine Menge schon klassifizierter Dokumente, um das Klassifikationsverfahren zu trainieren

Wolfram Sperber

17

Drei Schritte: Bearbeiten der Dokumente / Erstellen der

WortlistenIndexieren der Dokumente: Extraction der Terme, Elimination der Stopwörter, Stemming, ...

Klassifikationsverfahrendas auf der Analyse (dem Vergleich) des Vokabulars der Dokumente untereinander oder des Vokabulars der Dokumente mit dem der Klassen besteht

Evaluation der Ergebnisse Vergleich der Resultate der automatischen Klassifikationsverfahren mit denen menschlichen Experten mittels statistischer Verfahren

Wolfram Sperber

18

Bemerkungen Natürlich verliert man Informationen, wenn

man ein Dokument durch die in dem Dokument auftretenden Wörter ersetzt (subjekt-spezifisch).

Die Qualität der Klassifikation verschlechtert sich, je mehr die Klassifikation verfeinert wird,das Vokabular überlappt sich stärkerZahlentheorie versus DifferentialgleichungenoderGewöhnliche versus Partielle Differentialgleichungen

Konsequenzen: Hierarchische Klassifizierung?

Wolfram Sperber

19

Bearbeiten der Dokumente Erstellen der Wortlisten:

Term Vektoren: typischerweise sind hier Terme Einzelwörter oder Wortkombinationen aus zwei oder drei Wörtern (Wortstämmen)

Probleme: Dimension = Wort

Vektoren sind hoch dimensional (> 100.000) eine Vielzahl von Wörtern ist überflüssig (trägt

nichts zur Klassifikation bei) Wichtung der Terme

Einfachwörter versus Doppel und Tripelwörtern (die Berücksichtigung von Wortkombinationen erhöht die Dimension)

Wolfram Sperber

20

Dimensionsreduzierung (I) Stopwortlisten

Stopwörter sind von verschiedener Art, z.B., generelle Stopwörter wie Artikel, Prädikate,

Verben, … korpus-spezifische Stopwordlisten (z.B.,

„Springer Verlag“ bei Journalartikeln) subject und level-spezifische Stopwortlisten

(z.B., Mathematik in einer Menge mathematischer Documente)

Problem: Automatisierung Stemming

Problem: führt z.T. zu falschen Zusammenfassungen

Wolfram Sperber

21

Dimensionsreduzierung (II) Eine weitere Methode: Latent Semantic

Indexing (LSI): Konzepte lassen sich auf viele

verschiedene Arten beschreiben. LSI ist ein Versuch, die semantische

Struktur eines Textes zu erkennen. Die Idee von LSI:

Ausgangspunkt: die Term-Dokument Matrix Singulärwertzerlegung der Term-Dokument

Matrix: A = T S DT mit

Wolfram Sperber

22

Dimensionsreduzierung (III)

T Matrix der Eigenvektoren von A × AT D Matrix der Eigenvektoren von AT× AS Diagonalmatrix der Singulärwerte (Wurzeln der Eigenwerte)

Man benutzt dann die folgende Approximation

Ak = Tk Sk Dk

ist in bestimmten Sinn optimal

Problem: die Interpretation der neuen Dimensionen

T

Wolfram Sperber

23

Klassifikationsverfahren

Verschiedene Methoden: k-Nearest Neighbors Bayes Support Vector Machines (SVM) LP …

Wolfram Sperber

24

k-Nearest Neighbors ein sehr einfacher Ansatz für die

Klassifikation:Als Ähnlichkeitsmaß wird der cosinus zwischen zwei Vektoren verwendet.

Die Klassifikation der k-nächsten Nachbarn entscheidet über die Klassifikation eines Dokumentes (k??, Sind die k-nächsten Nachbarn repräsentativ für die Klassen?)

Spezialfall: Rocchio MethodeVerwendung der Schwerpunkte der Trainings- dokumente jeder Klasse anstelle der k-nächsten Nachbarn.

Wolfram Sperber

25

k-NN

Wolfram Sperber

26

Bayes probablistisches Klassifikationsverfahren

Ausgangspunkt Formel von Bayes

P(Cl|Dk) = P(Dk|Cl) P(Cl) / P(Dk)

= P(T1k|Cl) x … x P(Tmk|Cl) P(Cl) / P(Dk)

Probleme: „Naive Bayes Verfahren“ gehen davon aus,

dass die Terme unabhängig voneinander auftreten.

Wie geht man mit neuen Termen um (solche Terme, die in den Dokumenten auftauchen, aber nicht in den Termlisten der Kategorien)?

Wolfram Sperber

27

SVM Trennen der Dokumente der

Trainingsmenge, die zu einer Klasse gehören, von den Dokumenten, die nicht zu der Klasse gehören,durch eine Hyperebene (verallgemeinert; andere nichtlineare Fläche als Trennfläche)

Probleme: eine Trennung der Mengen ist häufig nicht

möglich weak separation

Nichtlineare Flächen sind häufig der natürlichere Ansatz

Wolfram Sperber

28

LP das Trennungsproblem kann als LP

umformuliert werden

(Mangarsarian / Bennett)): Misclassification problem – „beste Trennung“ zweier konvexer Mengen im Rn

kann als lineares Optimierungsproblem umformuliert werden

Wolfram Sperber

29

Ergebnisse des Klassifikationsprozesses

Man erhält Rankinglisten für die Klassifizierung eines Dokuments

Problem: wie interpretiert man die Rankinglisten (wie bestimmt man die „thresholds“ für eine Klasse?)

Wolfram Sperber

30

Bewertung der Ergebnisse

Dafür sind verschiedene Parameter üblich (man bedient sich dafür der Statistik), z.B. Accuracy (Anzahl der korrekten

Klassifikationen dividiert durch die Gesamtzahl der Klassifikationen)

Precision (Genauigkeit, Fehler zweiter Art)

Recall (Vollständigkeit, Fehler erster Art)Bemerkung: Die Evaluierung erfolgt für jeder Klasse und wird dann gemittelt.

Wo setzt man den Schwerpunkt?

Wolfram Sperber

31

Agenda

Einführende Bemerkungen

Automatische Klassifizierung

Erste Experimente

State of the art / Nächste Schritte

Wolfram Sperber

32

Testmengen

e-prints vom arXiv Server (Cornell University) Klassen Math Mathematical Physics

10.000 e-prints (alle e-prints dieser beiden Klassen, die mittels MSC klassifiziert sind)

Mathematische Journale:Springer, Kluwer, Elsevier: 27.000 Dokumente insgesamt (Volltexte)

Wolfram Sperber

33

Vorarbeiten Zwei Formate: pdf, TeX

pdf ist gut geeignet für die TextKlassifikation,TeX macht Schwierigkeiten (Entfernen der TeX-Konstrukte)

Konversion:die pdf Files wurden in text Files gewandelt (kleinere Probleme).

Trainingsmengen:Die Klassifikationen der Files in den Trainingsmengen müssen bekannt sein (durch Abgleich der Artikel mit den entsprechenden Einträgen in der Datenbank Zentralblatt Math)

Wolfram Sperber

34

Vorgehensweise beim Indexieren

Auswahl der Trainingsmengen Mindestens 50 Dokumente aus jeder Klasse wurden ausgewählt.

Den Dokumenten wurden Term-Häufigkeits-vektoren zugeordnet.Verschiedene Verfahren: Einzelwörter, Terme aus zwei und drei Wörtern (unterschiedliche Wichtung), Stemming, Keyword Extraktionsverfahren, …)

Berechnung der Schwerpunkte der Trainingsmengen in den Klassen

Wolfram Sperber

35

Ergebnisse für den arXiv Server: Top Level der MSC (xx)

10.000 e-prints (TeX or PS):TeX erfordert spezielle Aufbereitung

Ein erster Test: 4 ausgewählte KlassenAccuracy: ~ 90%

Wolfram Sperber

36

Test Report für mathematische Journale: Top level der MSC (xx) 27.000 Objekte (23.000 Artikel) Accuracy

Übereinstimmung der Primary MSC Kategorie (von Experten ermittelt) mit der ersten MSC Kategorie, die die automatischen Klassifikationsverfahren ergeben haben: ~55%

Übereinstimmung der Primary MSC Kategorie (von Experten ermittelt) mit den fünf ersten MSC Kategorien, die die automatischen Klassifikationsverfahren haben: ~ 80%

Wolfram Sperber

37Test Report für mathematische Jour-nale: Zweite Ebene der MSC (xxx)

Accuracy Übereinstimmung der Primary MSC

(Experte) und der ersten MSC Kategorie der automatischen Klassifikationsverfahren: ~ 40%

Übereinstimmung der Primary MSC (Experte) und der drei wichtigsten MSC Kategorien der automatischen Klassifikationsverfahren: ~ 55%

Wolfram Sperber

38Test Report für mathematische Jour-nale: Dritte Ebene der MSC (xxxxxx)

Accuracy Übereinstimmung der Primary MSC

(Experte) und der ersten MSC Kategorie der automatischen Klassifikationsverfahren: ~ 20%

Übereinstimmung der Primary MSC (Experte) und der drei wichtigsten MSC Kategorien der automatischen Klassifikationsverfahren: ~ 30%

Wolfram Sperber

39

Kommentar

Zur Zuverlässigkeit der TextkategorisierungAus der Literatur bekannt: Resultate der Text- kategorisierung sind stark vom Gebiet abhängig.

Ähnliche Resultate wurden von Nigam und seinen Mitarbeitern im Jahre 2000 bei der Klassifizierung von e-prints im Bereich Computer Science erzielt.

Wolfram Sperber

40

Weitere Bemerkungen (I)

Typischerweise sind mathematische Publikationen mehreren MSC Klassen zugeordnet (z.B. mathematische Aspekte, Anwendungsgebiete). Es ist wichtig, alle relevanten Klassifikationen zu erhalten. Auch auf der dritten MSC Ebene?

Es gibt signifikante Überlappungen zwischen verschiedenen MSC Klassen. Was sind die Konsequenzen für die automatische Klassifikation?

Wolfram Sperber

41

Weitere Bemerkungen (II)

Zum Umfang der Trainingmengen: In manchen Trainingsmengen einer Klasse waren keine 50 Dokumente enthalten. Kleinere Trainingsmengen verschlechtern die Ergebnisse dramatisch. Sind 50 Dokumente genug?

Wolfram Sperber

42

Eine Bemerkung zum Indexieren

Indexieren: Die Transformationen von Dokumenten zu Term- vektoren ist essentiell für den Klassifikations- prozess. Die Termvektoren der Dokumente sind zu schlecht.

Was kann gemacht werden? bessere Stopwortlisten Wichtung der Terme: Wie signifikant ist ein Term für

die Klassifikation?,insbesondere:- ist ein Term signifikant für spezielle Klassen?- Wichtung von Einfachwörtern versus Doppel- versus Dreifachtermen

Wolfram Sperber

43

Eine Bemerkung zu den Klassifikationsverfahren

Es wurden verschiedene Klassifikationsverfahren getestet. Die Ergebnisse unterscheiden sich nur geringfügig. I. A. keine Methode, die den anderen Methoden überlegen ist. Verwendung anderer Methoden, z.B. LP-Solver)?Kombination verschiedener Methoden?Kombination mit anderen Klassifikationsverfahren z.B. Zitationsanalyse (Google Methodik)?

Wolfram Sperber

44

Agenda

Einführende Bemerkungen

Automatische Klassifizierung

Erste Experimente

State of the art / Nächste Schritte

Wolfram Sperber

45

State of the art / Nächste Schritte

Die Qualität der Textkategorisierung ist unbefriedigend. Die bisherigen Ergebnisse können nur als Startpunkt weiterer Untersuchungen angesehen werden.

Nächste Schritte: Systematische Analyse des Indexierens Evaluation von weiteren

Klassifikationsverfahren

Wolfram Sperber

46

Eine weitere Idee: Hierarchische Klassifikation

Start auf der Topebene der MSC Bestimme die ersten drei (n) Kategorien mittels

Textkategorisierung Analysiere den Kontext des Dokuments

(Autoren, Journale, Referenzen) und bestimme die relevanten Kategorien

Starte mit einer ausgewählten Menge von Kategorien auf der Topebene und wiederhole das Verfahren auf der zweiten und dritten Ebene.

Wolfram Sperber

47

Anwendung der Ergebnisse Metadatenanreicherung:

Viele Preprints sind nicht klassifiziert. Die Klassifizierung könnte mit automatischen Mitteln erfolgen.

Präklassifikation:Die Datenbanken Zentralblatt Math und Mathematical Reviews könnten die Methoden für eine automatische Präklassification verwenden.

Ein zusätzliches Ergebnis: Mittels Textkategorisierung lassen sich kontrollierte Vokabulare für die MSC Klassen erzeugen.

Konrad-Zuse-Zentrum für Informationstechnik Berlin (ZIB) Wolfram Sperber

Martin Grötschel

Hochschulstrategien zu Open AccessHochschulrektorenkonferenz

Bonn, 13. Februar 2006Wissenschaftszentrum

Danke

Wolfram Sperber

49

Test report for the ArXive server: On the top level of MSC (xx) All classes Accuracy of automatic classification

first MSC category (author) match the top- ranked category by the classifier: nearly 65%

first MSC category (author) match the five top-ranked categories by the classifier: nearly 80%