w26M2

Teilaufgaben
Part-of-Speech Tagging
Parsing
Koreferenzauflösung
Erkennung genereller
Eigennamen
Erläuterung
Part-of-Speech (POS) Tagging bezeichnet das Verfahren der Zuordnung von Wortarten zu
Wörtern. Hierbei ist der Kontext relevant. So kann die Zeichenfolge »langen« je nach Kontext
ein Verb oder ein Adjektiv sein, was sich in verschiedenen POS-Tags äußert. Die POS-Tagging-
Komponente dient häufig als Vorverarbeitungsschritt für das Parsing.
Das Parsing dient dazu, den Text in eine syntaktische Struktur zu überführen. Parsing kann
z. B. eingesetzt werden, um über komplexe grammatische Strukturen verbundene Entitäten
zu erkennen und somit die Extraktion von Fakten oder Relationen zu ermöglichen bzw. zu
verbessern.
Koreferenzauflösung hat das Ziel zu ermitteln, ob verschiedene linguistische Objekte im Text
auf die gleiche Instanz verweisen. So sollte eine Korefenzkomponente beispielsweise Pronomen
73 mit der im Text vorhergehenden Nennung des Objekts in Beziehung setzen können.
Die Zusammenhänge können jedoch auch komplexerer Natur sein, z. B. insofern, als es sich
bei »USA«, »den Vereinigten Staaten von Amerika«, »United States« um das gleiche Land
handelt.
Die Eigennamenerkennung bezeichnet das Verfahren, Wörtern bzw. Begriffen Typkategorien 74
zuzuordnen. Während die Erkennung von Eigennamen in der Regel domänenspezifisch ist 75 ,
sind verschiedene Eigennamentypen domänenübergreifend 76 .
Tabelle 7: Teilaufgaben bei der sprachspezifischen, aber domänenübergreifenden Verarbeitung
Teilaufgaben
Domänenspezifische
Eigennamenextraktion
Stoppwortlisten
Topic-Modell
Faktenextraktion
Relationsextraktion
Erläuterung
Für viele BI-Anwendungen, wie z. B. Trendanalyse oder Produkt-Monitoring, ist die Erkennung
von spezifischen Entitäten, z. B. die Erkennung von Produkten eine Voraussetzung. In
der Regel ist dazu ein Training von Eigennamen-Extraktionskomponenten für die spezifische
Domäne auf Basis eines manuell annotierten Datensatzes notwendig.
Eine Stoppwortliste ist eine Liste mit Wörtern oder Begriffen, die von der Verarbeitung ausgeschlossen
werden sollen.
Das Ziel der Topic-Modellierung ist die automatische Zuordnung von Begriffen zu Themen,
um somit die thematische Gruppierung von Dokumenten zu ermöglichen. Ein Topic-Modell
modelliert diese Zuordnung auf Basis von Worteigenschaften, Kontextinformation und anderen
aus dem Text zu extrahierenden Informationen.
Die Faktenextraktion hat das Ziel, vorher festgelegte Arten von Fakten in einem Text zu identifizieren
und zu extrahieren. Die Bedeutung von Worten und Phrasen erschließt sich besonders
gut aus der Sequenz der Worte in einem Satz. Daher modellieren die meisten Verfahren
die Abfolge der unterschiedlichen Worte eines Satzes und deren Eigenschaften.
Die Relationsextraktion dient dazu, Relationen zwischen Entitäten im Text zu erkennen
und zu extrahieren, z. B. die Erkennung von Protein-Protein-Interaktionen in biomedizinischen
Texten. Häufig basiert die Relationsextraktion auf einer vorhergehenden
Eigennamenerkennung.
Tabelle 8: Teilaufgaben für spezifische Domänen bzw. Anwendungen
73
z. B. »er«, »sie«, »es«
74
z. B. Person, Ort, Organisation
75
Das Wort »Schwefel« kann beispielsweise für ein Chemieunternehmen ein »Produkt« sein, während es für eine Geologen sinnvollerweise als »Mineral«
annotiert werden sollte.
76
z. B. Zeitausdrücke oder Währungen
60