Konzeption und Implementierung eines ... - Stephan, Daniel

5.3. REPRÄSENTATION VON DOKUMENTEN 56
oder zu konsolidieren. Beispielsweise gehört dazu, unvollständige oder fehlerhaf-
te Daten zu erkennen und zu entfernen. Auch können an dieser Stelle Summen
gebildet werden, falls diese für den Anwendungsfall anstatt der eigentlichen
Daten interessant sind. In jedem Falle wird hier bereits auf simple Weise ein
bereinigtes Modell der Daten erzeugt, das der nächste Schritt als Eingabe ver-
wendet.
Dabei handelt es sich um den Schritt Transformation. Er ist notwendig, weil
der Algorithmus üblicherweise Daten in einem speziellen, für den Ablauf des
Algorithmus optimalen, Format benötigt, in das die vorhandenen Daten erst
gewandelt werden müssen.
Der Algorithmus selber wird durch den darauf folgenden Schritt Data Mi-
ning dargestellt. Hier konzentriert sich das Forschungsinteresse, da die ande-
ren Schritte mit wohlbekanntem Programmierhandwerk ohne größere Probleme
durchgeführt werden können. Die Probleme in den obigen Schritten sind eher
organisatorischer Natur (es müssen gut ausgebildete Mitarbeiter existieren, die
nicht nur technisches sondern auch fachliches Know-how besitzen). Daten um-
zuwandeln ist beispielweise eine inzwischen sehr gut beherrschte Anforderung
an Computersysteme. Data Mining Algorithmen dagegen sind häufig mit kom-
plexer Mathematik ausgestattet und lassen sich in das vergleichsweise neue
Forschungsfeld der Künstlichen Intelligenz (KI) einordnen (kommerziell erfolg-
reiche Anwendungen ca. seit Mitte der 1980er Jahre 1 ).
Der letzte Schritt nach dem Data Mining steht für die Interpretation bzw.
Auswertung der Ausgaben des Algorithmus. Diese kann beispielsweise darin
münden, dass die Ausgaben als neue, stärker abstrahierte Daten in der Daten-
bank abgelegt werden, die später in anderen Prozessen Anwendung finden. Es
könnte jedoch ebenso eine Art Report erzeugt und präsentiert werden.
5.3. Repräsentation von Dokumenten
Auf dem Weg zu Dokumenten-Clustern stehen wir zunächst der Frage ge-
genüber, auf welche Weise die vorliegenden Dokumente im System repräsen-
tiert werden, so dass die inhaltlichen Aspekte vergleichbar werden. Hier gibt
es einige Ansätze, die von sog. Word-Bags bis hin zu linguistischen Systemen
reichen. In den meisten Fällen wird für die Repräsentation der Dokumente das
Vektorraummodell (Vector Space Model, VSM) verwendet. Dies basiert letzt-
1 Seite 24 in [RN95]