Konzeption und Implementierung eines ... - Stephan, Daniel

9.1. TECHNISCHE PERSPEKTIVE 104
Schweine gegen alles über den Dollar als Objekt, z.B.).
Würde man nun die Begriffe ” lowers“ und ” higher“ als Stoppwort deklarieren,
dann würde der Algorithmus diesen Aspekt nicht mehr sehen und die Cluster
anders zusammensetzen. Dass die sich neu ergebende Struktur wirklich besser
ist, bleibt jedoch im Einzelfall zu prüfen. Der Prozess läuft vollautomatisch ab
und kann durch Stoppworte und der vorgegebenen Anzahl von Clustern nur be-
grenzt beeinflusst werden. Dies ist sowohl seine Stärke wie auch seine Schwäche.
Stärke, weil er wenige manuelle Eingriffe erfordert. Bei großen Datenmengen ist
es schließlich nicht mehr praktikabel, die Cluster manuell anzulegen, weil es zu-
viel Aufwand erfordert. Schwäche, weil er kaum manuelle Eingriffe ermöglicht
und somit das Ziel einer perfekten Clusterstruktur verfehlen kann. Es bleibt ein
Trade-Off.
Nach all der Kritik soll aber nicht verschwiegen werden, dass mit einer mitt-
leren Anzahl von Clustern und einer automatisch definierten Menge an Stopp-
worten auch eine ganze Reihe von subjektiv sinnvollen Clustern erzeugt werden
konnten.
9.1.4. Ausblick
Was lässt sich noch verbessern? Es ließe sich ein Algorithmus implementieren,
der besser skaliert. Bradley et al. schlagen in ihrem Paper [BFR99] einen opti-
mierten Ablauf vor, der mit deutlich weniger Hauptspeicher auskommt, da er
blockweise arbeitet und daher immer nur einen bestimmten Block im Speicher
halten muss. Es würde im Sinne der Skalierbarkeit sicherlich helfen, wenn der
Algorithmus auf mehreren Rechnern verteilt ablaufen könnte. Das gleiche gilt
für die LSI-Implementation, mit dem Unterschied, dass es tatsächlich schon on-
line verfügbar ist, nur nicht in Java. Die parallele LSI-Implementation nennt
sich PGTP und ist ebenso wie die normale GTP Variante auf www.cs.utk.edu/
lsi 1 in der Software-Rubrik zu finden.
Es gibt zudem Stimmen, die den EM-Algorithmus für den Zweck, Texte zu
clustern, nicht als optimal erachten. Breunig et al. [BKKS01] beispielsweise
schlagen eine alternative Methode vor, die sogenannte ” Data Bubbles“ zusam-
men mit dem OPTICS Algorithmus [ABKS99] verwendet, um auf effizientere
Art und Weise zu einer Clusterstruktur zu gelangen, die hierarchisch sortiert
ist. Dieses Verfahren ist speziell darauf ausgelegt, auch bei großen Datenmen-
1 WWW Adresse: http://www.cs.utk.edu/ ∼ lsi