Schriftliche Ausarbeitung zum Referat - Universität Konstanz

1. Einleitung
1.1 Motivation
Der überwältigende Erfolg des World Wide Web ist zugleich auch die Ursache eines seiner
größten derzeitigen Probleme: Die ständig wachsende Informationsmenge wird zunehmend
unüberschaubar und kann mit herkömmlichen Navigations- und Suchmethoden nicht mehr
umfassend und effizient erschlossen werden. Bei diesen Methoden (überwiegend
Schlüsselwortsuche und benutzergesteuertes Browsing) wird das Web üblicherweise als
verlinkte Sammlung unstrukturierter Dokumente angesehen. Tatsächlich nimmt jedoch die
Zahl strukturierter und semi-strukturierter Datenquellen im WWW, die beispielsweise
Produktinformationen, Wirtschafts- und wissenschaftliche Informationen enthalten, ständig
zu. Bei der manuellen Erschließung derartiger Quellen bzw. der Erschließung mittels
Indexierung und Schlüsselwortsuche bleibt deren zugrundeliegende Struktur allerdings
weitgehend ungenutzt. Ein sehr viele effizientere Nutzung wäre möglich, wenn komplexe
Abfragen an die Datenquellen abgesetzt werden könnten.
Ferner ist der Benutzer bisher meist gezwungen, auf jede Datenquelle manuell zuzugreifen.
Das bedeutet, dass er über eine Liste möglicher Quellen verfügen und entscheiden muss,
welche davon er benutzen möchte. Anschließend muss er mit jeder Quelle einzeln
interagieren und die Informationen aus verschiedenen Quellen manuell kombinieren. Neben
der Erschwernis für den menschlichen Nutzer betrifft dies insbesondere auch die
automatisierte Informationsgewinnung: Die Erstellung und Wartung von maßgeschneiderten
Parsingprogrammen für eine Vielzahl sich häufig ändernder Websites dürfte selten mit
lohnendem Aufwand zu realisieren sein.
Ein wesentlicher Schritt auf dem Weg zu einer effizienten Informationsgewinnung im WWW
wäre daher die Nutzung der Daten in den Quellen zur Beantwortung komplexer Anfragen
kombiniert mit der Bereitstellung einer einheitlichen, zentralen Schnittstelle für alle (in Frage
kommenden) Informationsquellen. Dies setzt jedoch die Integration verschiedener
Datenquellen im Web voraus.[Levy, Rajaraman, Ordille 1996] S. 1f
1.2 Problematik
Die bei der Integration auftretenden Schwierigkeiten sind v. a. mit der großen Heterogenität
der Web-Datenquellen verbunden. Im wesentlichen stellen sich folgende Probleme
[Wiederhold 92]:
Heterogenität bei der Repräsentation und Struktur der Daten (Data Mismatch):
Hierbei können u. a. folgende Fälle unterschieden werden:
- Unterschiede bei der Benennung eines Realweltgegenstandes:
Beispiel: Dasselbe Buch wird einer Quelle unter Alan Turing: The Enigma
(Referenz für Leser) und in einer anderen unter QA29.T8H63 (Referenz für
Bibliothekare) geführt.
- Unterschiedliche Konzeptualisierungen in verschiedenen Quellen:
Dabei handelt es sich häufig um einen unterschiedlichen Abdeckungsgrad in
zeitlicher, räumlicher oder sonstiger inhaltlicher Hinsicht. Insbesondere bei der
2