Dies Academicus - Johannes Gutenberg-Universität Mainz

Inhalt der Dissertation
Bei Verfahren zur Inhaltsextraktion (Content Extraction) geht es vereinfacht gesagt darum,
mit algorithmischen Lösungen auf Internetseiten den Hauptinhalt automatisch zu
identifizieren und zu extrahieren. Der Hintergrund ist folgender: Schaut man sich heutzutage
eine Seite im Internet an, stellt man schnell fest, dass der für den Nutzer interessante
Hauptinhalt von vielen weniger wichtigen Informationen umgeben ist. Typische Beispiele
sind Navigationsmenüs, Werbung oder Copyright-Vermerke.
„Uns Menschen erschließt sich in der Regel recht schnell, auf welchen Teil des gesamten
Dokumentes wir unsere Aufmerksamkeit lenken müssen“, sagt Thomas Gottron. Für
einen Computer jedoch ist es schwierig, den Hauptinhalt zu erkennen. „Dennoch ist die
Aufgabenstellung in vielen Anwendungen von großer Relevanz, nämlich immer dann,
wenn ein Programm den Menschen beim Lesen oder Verstehen von Web-Dokumenten
oder bei der Informationssuche unterstützen soll.“ Das können klassische Anwendungen
im Bereich des „Information Retrieval“ sein, wie man sie aus Web-Suchmaschinen
kennt, dazu gehören aber auch Aufgaben wie die Inhaltsanalyse zur Bewertung der
Nutzerfreundlichkeit.
In seiner Arbeit setzte Gottron zunächst viele in anderen Arbeiten lediglich theoretisch beschriebene
Verfahren praktisch um. In einem eigens konzipierten Evaluationsrahmenwerk
konnte er die Verfahren anschließend ausgiebig testen, „und die Ergebnisse hinsichtlich
der Qualität der Inhaltsextraktion erlaubten erstmals, verschiedene Ansätze direkt miteinander
zu vergleichen.“ Diesem Vergleich fügte Gottron neue, selbstentwickelte Verfahren
hinzu, die Maßstäbe bezüglich einer möglichst guten Erkennung des Hauptinhaltes einer
Internet-Seite setzten. Ein ebenfalls neues Cluster-Verfahren zur schnellen und zuverlässigen
Gruppierung strukturell ähnlicher Web-Dokumente unterstützt Template-Detection-
Algorithmen. Diese ließen sich damit auf das Anwendungsgebiet der Inhaltsextraktion
übertragen und liefern ebenfalls sehr gute Ergebnisse.
37