Konzeption und Implementierung eines ... - Stephan, Daniel

47 4.2. PROTOTYP
Format bekommt. Da der gewählte Ansatz auf dem Vektorraummodell (S. 56)
basiert, besteht das Ergebnis aus einer Menge von Dokument-Vektoren, die
insgesamt die Term-Dokument-Matrix darstellen.
Data Mining heißt der vierte KDD Schritt, der hier der Aktivität ” Cluster“
entspricht. Der Algorithmus nimmt die Vektoren als Eingabe und erzeugt eine
Reihe von Clustern. Die Anzahl der Cluster wird jedoch fest vorgegeben. Diese
Aktivität setzt voraus, dass die Qualität der Cluster überprüft wird, so dass
die Möglichkeit besteht, die Clusteranzahl anzupassen und den Algorithmus
mit diesem geänderten Parameter erneut laufen zu lassen. Es ist noch nicht
ersichtlich, wie die Laufzeit des Algorithmus sein wird. Er hat prinzipiell eine
exponentielle Laufzeitcharakteristik, so dass zu erwarten ist, dass er bei großen
Datenmengen sehr lange dauert. Dadurch könnte es sich als hilfreich erweisen,
wenn diese Zyklen manuell gesteuert werden können, damit nach Ermessen
der zuständigen Person die Struktur vorzeitig als ” ausreichend optimal“ erklärt
werden kann. Es gilt hier, ein Gleichgewicht zwischen Laufzeit (Geduld) und
Qualität herzustellen.
Interpretation wird die letzte Aktivität genannt. Sie besteht darin, Namen für
die Cluster zu vergeben, die die durch sie repräsentierten Dokumente thematisch
am besten identifizieren. Es bietet sich hier an, Begriffe aus dem Thesaurus
zu verwenden. Ergebnis dieses letzten Schrittes sind eine Liste von benannten
Clustern und deren zugeordneten Dokumenten.
4.2.3. Datenmodell
Die im System abzulegenden Informationen umfassen die Dokumente und Au-
toren sowie Terme (Deskriptoren), wie sie aus dem Faust exportiert wurden.
Im Diagramm sind aus Gründen der Übersicht nicht alle Attribute angegeben,
sondern nur die für die Cluster-Analyse Wesentlichen (welche Felder insgesamt
vorhanden sind, wurde ja bereits in der Ist-Analyse oben aufgelistet).
4.2.4. Komponenten und Schnittstellen
Das System besteht zum einen natürlich aus der Faust-Software, die vom ISL für
die Erfassung von Dokumenten verwendet wird. Diese Software exportiert wie
im Diagramm angegeben seinen Datenbestand, der von einer Import-Komponente
eingelesen wird.
Im Hintergrund des Ganzen steht eine SQL Datenbank; diese wird von der