Die Präsentation wird geladen. Bitte warten

Die Präsentation wird geladen. Bitte warten

Entwicklung eines Werkzeugs zur Online Textanalyse und -klassifikation Magisterarbeit im Studiengang Linguistische Informatik (Magister Artium)

Ähnliche Präsentationen


Präsentation zum Thema: "Entwicklung eines Werkzeugs zur Online Textanalyse und -klassifikation Magisterarbeit im Studiengang Linguistische Informatik (Magister Artium)"—  Präsentation transkript:

1 Entwicklung eines Werkzeugs zur Online Textanalyse und -klassifikation Magisterarbeit im Studiengang Linguistische Informatik (Magister Artium)

2 Nicolas Goessnitzer2 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

3 Nicolas Goessnitzer3 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

4 Nicolas Goessnitzer4 Magisterarbeit: Entwicklung eines Werkzeugs zur Online Textanalyse und –klassifikation 1.Einleitung und Übersicht Übersicht zu den Dateiformaten im WWW Berücksichtigung bei Textmühle

5 Nicolas Goessnitzer5 Magisterarbeit: Entwicklung eines Werkzeugs zur Online Textanalyse und –klassifikation 1.Einleitung und Übersicht Übersicht zu den Dateiformaten im WWW

6 Nicolas Goessnitzer6 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

7 Nicolas Goessnitzer7 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

8 Nicolas Goessnitzer8 Magisterarbeit: Entwicklung eines Werkzeugs zur Online Textanalyse und –klassifikation 1.Demonstration

9 Nicolas Goessnitzer9 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 sprachlichen Zeichen […] Brinker (2005, S.17f) Ein Korpus ist eine Sammlung schriftlicher oder gesprochener Äußerungen in einer oder mehreren Sprachen […] Lemnitzer u. Zinsmeister (2006, S. 40)

10 Nicolas Goessnitzer10 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: KorpusUmfangKodierung Reuters Corpus ~ 200 Mio. lfd. WortformenXML DWDS1~ 40 Mio. lfd. WortformenXML AAC2~ 100 Mio. lfd. Wortformenn.b. Deutsches Referenzkorpus~ Mio. lfd. WortformenIDS-Textmodell (XML) corpus~ 350 Tsd. lfd. WortformenSQL-DB BNC~ 100 Mio. lfd. WortformenXML (neue Version) COBUILD3~ 65 Mio. lfd. Wortformenn.b. Oslo~ 1,5 Mio. lfd. Wortformentxt/ascii LIMAS~ 1 Mio. lfd. Wortformenn.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

11 Nicolas Goessnitzer11 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)

12 Nicolas Goessnitzer12 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

13 Nicolas Goessnitzer13 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. Abfolge

14 Nicolas Goessnitzer14 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 Daten Prinzipiell gelöstes Teilproblem für hinreichend große Textlänge Problem der Multilingualität in Texten (insbesondere im WWW)

15 Nicolas Goessnitzer15 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 Analyse Die 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

16 Nicolas Goessnitzer16 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 Wortdimensionen –tfidf: Ausreisser (sehr hohe bzw. sehr niedrige Frequenz erhalten niedrigeres Gewicht) –Gewichtung nach Varianz

17 Nicolas Goessnitzer17 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 Möglichkeiten Bei 50 Elementen sind es bereits 7, Möglichkeiten

18 Nicolas Goessnitzer18 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

19 Nicolas Goessnitzer19 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

20 Nicolas Goessnitzer20 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)

21 Nicolas Goessnitzer21 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) –Wards 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

22 Nicolas Goessnitzer22 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

23 Nicolas Goessnitzer23 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)

24 Nicolas Goessnitzer24 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

25 Nicolas Goessnitzer25 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 Nicolas Goessnitzer26 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

27 Nicolas Goessnitzer27 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 Korpusprozesses mit Unterstützung mittels Perl

28 Nicolas Goessnitzer28 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 Planung Weiterentwicklung Direktanbindung Morphologie OpenSource?


Herunterladen ppt "Entwicklung eines Werkzeugs zur Online Textanalyse und -klassifikation Magisterarbeit im Studiengang Linguistische Informatik (Magister Artium)"

Ähnliche Präsentationen


Google-Anzeigen