Web 3.0 & Semantic Web - HMD - Praxis der Wirtschaftsinformatik 271

Text-Mining-Methoden im Semantic Web (S. 35-36)

Aufbau, Pflege und Nutzung großer Wissensdatenbanken erfordern den kombinierten Einsatz menschlicher und maschineller Informationsverarbeitung. Da große Teile des menschlichen Wissens in Textform vorliegen, bieten sich Methoden des Text Mining zur Extraktion von Wissensinhalten an.

Dieser Artikel behandelt Grundlagen des Text Mining im Kontext des Semantic Web. Methoden des Text Mining werden besprochen, die für die halbautomatische Annotierung von Texten und Textteilen eingesetzt werden, insbesondere Eigennamenerkennung (Named-Entity Recognition), automatische Schlüsselworterkennung (Keyword Recognition), automatische Dokumentenklassifikation, teilautomatisches Erstellen von Ontologien und halbautomatische Faktenerkennung (Fact Recognition, Event Recognition).

Es werden auch kritische Hintergrundfragen aufgegriffen. Das Problem der zu hohen Fehlerrate und der zu geringen Performanz automatischer Verfahren wird diskutiert. Zwei Beispiele aus der Praxis werden vorgestellt: Erstens das Forschungsprojekt OntoGene der Universität Zürich, in dem Protein-Protein-Interaktionen als Relationstripel aus der Fachliteratur extrahiert werden, und zweitens ein ontologiebasierter Tag- Recommender, der die manuelle Vergabe von Schlüsselwörtern an Wissensressourcen unterstützt.

1 Annotierungsaufwand für das Semantic Web

Das Semantic Web hilft den Usern, Inhalte besser zu finden, zu organisieren und zu bearbeiten. Das Anreichern der Dokumente mit semantischer Information soll eine automatisierte Weiterverarbeitung, z.B. durch Softwareagenten, unterstützen. Während die Semantic-Web- Sprachen wie RDF(S) (Resource Definition Framework (Schema)) und OWL (Web Ontology Language) gut erforscht und standardisiert sind, gibt es viel weniger Forschung zur Frage, wie die enormen Mengen an Webdaten semantisch annotiert werden sollen, also die Transformation von konventionellen Webseiten zu reich annotierten Semantic-Web-Ressourcen.

Außer für Experimente und Demonstrationen ist die manuelle Eingabe von realistischen RDF- und OWL-Ontologien und -Ressourcen kaum machbar. Es gibt auch vielversprechende Ansätze, Untermengen der natürlichen Sprache direkt und ohne Mehrdeutigkeiten in Semantic- Web-Sprachen zu übersetzen [Kaljurand 2008]. Die klassische Antwort, um den Schwierigkeiten der Syntax von Semantic-Web-Sprachen ausweichen zu können, ist die Verwendung von Ontologie-Editoren wie z.B. Protégé oder Onto- Edit. Die Tatsache, dass die Annotierung großer Textmengen zu aufwendig ist, bleibt aber bestehen, sodass umfassendere Aufgaben kaum realistisch machbar sind. Schon seit einigen Jahren wird deshalb vorgeschlagen (z.B. [Rinaldi et al. 2003]), Computerlinguistik und Sprachtechnologie (Natural Language Processing, NLP) zu verwenden. Wir erklären Basismethoden der Sprachtechnologie und des Text Mining in Abschnitt 2 und erläutern zwei konkrete Anwendungen in Abschnitt 4.

Nach den Erfahrungen mit Technologien der künstlichen Intelligenz (KI), bei der viele Ansätze zu große Fehlerraten aufwiesen oder nicht skalierten, ist Vorschlägen zur Verwendung von Sprachtechnologie einerseits mit Skepsis entgegenzutreten, wie wir in Abschnitt 3 berichten. Andererseits haben sich die Umstände geändert. Heutige Systeme sind stark statistisch basiert, Evaluierung und Skalierung stehen im Zentrum. Die Fehlerraten sind für einige Anwendungen tolerierbar klein geworden, für andere rücken halbautomatische Systeme, bei denen ein maschineller Klassifikator und der menschliche Annotator eng zusammenarbeiten, in den Fokus der Forschung.