Bibliographische Beschreibung

Titel: Graphdatenbanken für die textorientierten e-Humanities

Autor: Thomas Efer

http://d-nb.info/gnd/1125649186

http://orcid.org/0000-0002-8376-3884

Ausgabe: 18. August 2017

Fachgebiet: Informatik

Sprache: Deutsch

Umfang: 194 Seiten Hauptteil, 45 Abbildungen, 4 Tabellen, 6 Quelltexte

Schlagwörter:

Graphdatenbanken, Datenmodellierung, Recherchesysteme, e-

Humanities, Text Mining, Korpusexploration, Information Retrieval

Notiz:

Dieses Buch enthält eine leicht überarbeitete Version der gleichnamigen

Dissertationsschrift, welche am 15. Februar 2017 auf dem sächsischen Doku-

mentenserver unter der Adresse

http://nbn-resolving.de/urn:nbn:de:

bsz:15-qucosa-219122

veröffentlicht wurde. Für wissenschaftliche Zitatio-

nen ist bevorzugt die Originalfassung zu verwenden.

Abstract

English Version

In light of the recent massive digitization efforts, most of the humanities disciplines

are currently undergoing a fundamental transition towards the widespread application

of digital methods. In between those traditional scholarly fields and computer science

exists a methodological and communicational gap, that the so-called "e-Humanities" aim

to bridge systematically, via interdisciplinary project work. With text being the most

common object of study in this field, many approaches from the area of Text Mining

have been adapted to problems of the disciplines. While common workflows and best

practices slowly emerge, it is evident that generic solutions are no ultimate fit for many

specific application scenarios. To be able to create custom-tailored digital tools, one

of the central issues is to digitally represent the text, as well as its many contexts and

related objects of interest in an adequate manner.

This book introduces a novel form of text representation that is based on Property Graph

databases – an emerging technology that is used to store and query highly interconnected

data sets. Based on this modeling paradigm, a new text research system called "Kadmos" is

introduced. It provides user-definable asynchronous web services and is built to allow for

a flexible extension of the data model and system functionality within a prototype-driven

development process. With Kadmos it is possible to easily scale up to text collections

containing hundreds of millions of words on a single device and even further when using

a machine cluster. It is shown how various methods of Text Mining can be implemented

with and adapted for the graph representation at a very fine granularity level, allowing

the creation of fitting digital tools for different aspects of scholarly work. In extended

usage scenarios it is demonstrated how the graph-based modeling of domain data can be

beneficial even in research scenarios that go beyond a purely text-based study.

Deutsche Version

Vor dem Hintergrund zahlreicher Digitalisierungsinitiativen befinden sich weite Teile

der Geistes- und Sozialwissenschaften derzeit in einer Transition hin zur großflächigen

Anwendung digitaler Methoden. Zwischen den Fachdisziplinen und der Informatik zei-

gen sich große Differenzen in der Methodik und bei der gemeinsamen Kommunikation.

Diese durch interdisziplinäre Projektarbeit zu überbrücken, ist das zentrale Anliegen der

sogenannten „e-Humanities“. Da Text der häufigste Untersuchungsgegenstand in diesem

Feld ist, wurden bereits viele Verfahren des Text Mining auf Problemstellungen der Fächer

angepasst und angewendet. Während sich langsam generelle Arbeitsabläufe und Best Prac-

tices etablieren, zeigt sich, dass generische Lösungen für spezifische Teilprobleme oftmals

nicht geeignet sind. Um für diese Anwendungsfälle maßgeschneiderte digitale Werkzeuge

erstellen zu können, ist eines der Kernprobleme die adäquate digitale Repräsentation

von Text sowie seinen vielen Kontexten und Bezügen.

In diesem Buch wird eine neue Form der Textrepräsentation vorgestellt, die auf Pro-

perty-Graph-Datenbanken beruht – einer aktuellen Technologie für die Speicherung

und Abfrage hochverknüpfter Daten. Darauf aufbauend wird das Textrecherchesystem

„Kadmos“ vorgestellt, mit welchem nutzerdefinierte asynchrone Webservices erstellt

werden können. Es bietet flexible Möglichkeiten zur Erweiterung des Datenmodells und

der Programmfunktionalität und kann Textsammlungen mit mehreren hundert Millionen

Wörtern auf einzelnen Rechnern und weitaus größere in Rechnerclustern speichern. Es

wird gezeigt, wie verschiedene Text-Mining-Verfahren über diese Graphrepräsentation

realisiert und an sie angepasst werden können. Die feine Granularität der Zugriffsebene

erlaubt die Erstellung passender Werkzeuge für spezifische fachwissenschaftliche An-

wendungen. Zusätzlich wird demonstriert, wie die graphbasierte Modellierung auch über

die rein textorientierte Forschung hinaus gewinnbringend eingesetzt werden kann.

III

Inhaltsverzeichnis

Bibliographische Beschreibung I

Abstract (Englisch und Deutsch) II

Inhaltsverzeichnis IV

1 Einleitung 2

1.1 Motivation . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

1.2 Forschungsfragen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9

1.3 Beiträge zum Forschungsfeld . . . . . . . . . . . . . . . . . . . . . . . . . . 10

1.4 Aufbau des Buches . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

2 Forschungskontext und relevante Technologien 14

2.1 e-Humanities . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

2.1.1 Entwicklung und Selbstverständnis des Fachgebiets . . . . . . . . . 15

2.1.2 Forschungsmethodik und aktuelle Entwicklungen . . . . . . . . . . 20

2.1.3 Forschungsressourcen und -infrastrukturen . . . . . . . . . . . . . . 24

2.2 Text- und Korpusrepräsentation . . . . . . . . . . . . . . . . . . . . . . . . 28

2.2.1 Charakterisierung von Forschungskorpora . . . . . . . . . . . . . . 28

2.2.2 Zeichenrepräsentation . . . . . . . . . . . . . . . . . . . . . . . . . . 31

2.2.3 Repräsentation der Struktur von Text . . . . . . . . . . . . . . . . . 34

2.2.4 Textrepräsentation im Text Mining . . . . . . . . . . . . . . . . . . . 39

2.2.5 Dokumentrepräsentation . . . . . . . . . . . . . . . . . . . . . . . . 41

2.2.6 Repräsentation von Metadaten und Annotationen . . . . . . . . . . 43

2.3 Graphdatenbanken . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

2.3.1 NoSQL-Datenbanken . . . . . . . . . . . . . . . . . . . . . . . . . . . 46

2.3.2 Netzwerke, Graphen und ihre Anwendungsgebiete . . . . . . . . . . 50

2.3.3 Formalisierung und graphentheoretische Zugänge . . . . . . . . . . 52

2.3.4 Property-Graph-Datenbanken . . . . . . . . . . . . . . . . . . . . . . 55

2.3.5 Semantic-Web-Technologien . . . . . . . . . . . . . . . . . . . . . . 58

2.3.6 Abfragesprachen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62

2.4 Vorarbeiten und verwandte Gebiete . . . . . . . . . . . . . . . . . . . . . . 64

2.5 Ableitbare Systemanforderungen . . . . . . . . . . . . . . . . . . . . . . . . 69

3 Kadmos – ein graphbasiertes Recherchesystem 72

3.1 Entwicklungsziele . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 73

3.2 Daten- und Domänenmodell . . . . . . . . . . . . . . . . . . . . . . . . . . . 75

3.3 Technologie und Systemarchitektur . . . . . . . . . . . . . . . . . . . . . . 79

3.4 Asynchrone Webservicearchitektur . . . . . . . . . . . . . . . . . . . . . . 84

3.5 Datenimport . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 87

3.6 Zeichennormalisierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 91

3.7 Flexibles graphbasiertes Information Retrieval . . . . . . . . . . . . . . . . 95

3.7.1 Retrievalverfahren und Textrepräsentation . . . . . . . . . . . . . . 95

3.7.2 Facettierung über nutzerspezifische Metadaten . . . . . . . . . . . 99

3.7.3 Von Schlagwörtern zur konzeptbasierten Suche . . . . . . . . . . . 102

3.7.4 Ergebnisrepräsentation und Retrievalstrategien . . . . . . . . . . . 107

3.8 Graphbasierte Korpusexploration . . . . . . . . . . . . . . . . . . . . . . . 109

3.9 Evaluierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 114

3.10 Erweiterungsmöglichkeiten . . . . . . . . . . . . . . . . . . . . . . . . . . . 122

3.10.1 Anlegen neuer Service-Endpunkte . . . . . . . . . . . . . . . . . . . 122

3.10.2 Gekapselte Erweiterung mit dem Plugin-System . . . . . . . . . . . 125

4 Modellerweiterungen und komplexere Anwendungsfälle 130

4.1 Erweiterbarkeit und Konstruktive Voraussicht . . . . . . . . . . . . . . . . 131

4.2 Entitäten-Netzwerke . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 134

4.2.1 Navigationsunterstützung und Netzwerkanalyse . . . . . . . . . . . 134

4.2.2 Erzeugung und Exploration von Toponymnetzwerken . . . . . . . . 140

4.2.3 Eigennamenübersetzung aus lokal alignierten Paralleltexten . . . . 145

4.3 Systematisierung und Filterung bibliographischer Daten . . . . . . . . . . 149

4.4 Struktur und Komplexität von Dramen . . . . . . . . . . . . . . . . . . . . 160

4.4.1 Extraktion, Analyse und Visualisierung von Struktur . . . . . . . . 160

4.4.2 Informationstheoretische Komplexitätsbetrachtungen . . . . . . . 166

4.5 Aufbau interner Indexstrukturen für lexikalische Ähnlichkeit . . . . . . . 173

4.6 Das Graphenparadigma als interdisziplinäres Kommunikationsmittel . . . 177

5 Schlussbetrachtungen 184

5.1 Zusammenfassung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 185

5.2 Technologische und methodische Grenzen . . . . . . . . . . . . . . . . . . 187

5.3 Ausblick . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 190

Literaturverzeichnis 196

Abkürzungsverzeichnis 229

Abbildungsverzeichnis 238

Quelltextverzeichnis 240

Tabellenverzeichnis 241

A Verwendete Korpora 242

B Ergänzende Grafiken 246

C Anleitung zur Inbetriebnahme der Kadmos-Umgebung 251

Kapitel 1

Einleitung

The world has arrived at an age of cheap

complex devices of great reliability;

and something is bound to come of it.

Vannevar Bush

US-amerikanischer Ingenieur und Professor für Elektrotechnik

aus dem Essay „As We May Think“ (1945) – [Bus45]

Kapitel 1 Einleitung

1.1 Motivation

Die häufige Charakterisierung unserer heutigen Epoche als das „Digitale Zeitalter“ ist ein

Beleg für den großen Einfluss und die zentrale Bedeutung digitaler Technologien für die

gesamte Gesellschaft. Der Informatik als grundsätzlich eigenständiger und unabhängiger

akademischer Disziplin kommt damit die immer wichtigere und mit großer Verantwor-

tung verbundene Rolle zu, geeignete Rahmenbedingungen für effiziente Prozesse in

zentralen Sektoren, wie Produktion, Handel und Logistik, Wissenschaft und Verwaltung,

aber auch Kommunikation und Kultur zu schaffen.

Während die Informatik sich bereits seit langem mit Fragen von gesellschaftlicher Dimen-

sion auseinandersetzt – ab den 1950er Jahren etwa, mit den in der Kybernetik wurzelnden

Überlegungen zur künstlichen Intelligenz – ist die praktische Anwendbarkeit solcher

Forschungsfelder und die soziale Relevanz der Informatik erst in den letzten Jahren für

die Breite der Gesellschaft greifbar geworden.

Die Geistes- und Sozialwissenschaften auf der anderen Seite, welche seit jeher die Rolle

kritischer Betrachter sozialer Themen einnehmen, und deren Forschen und Wirken grund-

sätzlich als gesellschaftliches Korrektiv dienen soll, haben die rasanten Entwicklungen der

Informationstechnologie bislang nur sehr zögerlich aufgegriffen. Viele Disziplinen, die

über Jahrzehnte oder gar Jahrhunderte lang Forschungsmethodik tradiert und Theorien

gepflegt haben, stehen im Zuge des „digitalen Wandels“ heute vor einem grundlegenden

Transformationsprozess. Egal, ob ein Fachgebiet der Adaption digitaler Methoden offen

oder eher ablehnend gegenübersteht, so wandeln sich doch in jedem Fall Umfeld und

Bedingungen der Forschung, wie auch die Erwartungen an sie.

Ohne diese allgemeine Entwicklung grundsätzlich werten zu wollen, lässt sich feststel-

len, dass die voranschreitende Digitalisierung einige unbestreitbare Vorteile mit sich

bringt und einmalige Chancen für die akademische Welt insgesamt eröffnet. Durch die

zahlreichen Möglichkeiten der digitalen Kommunikation zwischen Individuen und Grup-

pen wird eine globale Kollaboration innerhalb von Forschungs-Communities und über

Disziplinen-Grenzen hinweg gefördert. Es bieten sich direktere Reaktionsmöglichkeiten

auf neue Trends und Strömungen, wodurch nicht zuletzt auch der wissenschaftliche

Diskurs angeregt wird. Dieser wird zudem durch neue Kommunikationsformate und

-plattformen gleichzeitig öffentlicher und transparenter.

vgl. etwa [Nie11] und [SS13]

1.1 Motivation

Die technologischen Fortschritte und veränderten Kommunikationswege läuten überdies

eine Liberalisierung des wissenschaftlichen Publikationswesens ein. Die enorm gesun-

kenen Aufwände für das Veröffentlichen und Verbreiten von Inhalten sorgen für ein

stark erhöhtes Publikationsaufkommen, besonders im Bereich digitaler Journals. Da-

durch wird ein Pluralismus divergenter Meinungen gefördert und eine angemessene

Abdeckung von Nischenthemen erstmals möglich. Die Schattenseite dieser Entwicklung

ist die zunehmende Unsicherheit über die Verantwortlichkeiten und konkreten Durch-

führungsbedingungen der wissenschaftlichen Qualitätskontrolle für die publizierten

Inhalte. Die schon immer schwierige Position traditioneller Verlagshäuser zwischen mo-

netären Eigeninteressen und ihrer wichtigen Rolle als externe Überwacher und Lenker

des akademischen Wissensaustauschs wird angesichts immer neuer digitaler Konkur-

renz verschärft. Aktuelle Diskussionen im Zuge der Hinwendung zum Prinzip des

Open

Access

betrachten bislang hauptsächlich Fragen des möglichst breiten Zugangs zu wis-

senschaftlichen Veröffentlichungen. In naher Zukunft wird sich auch die Suche nach

geeigneten Konzepten für die (Selbst-)Kontrolle der wissenschaftlichen Qualität in diese

Überlegungen einreihen müssen.

Gleichzeitig zu diesen Umwälzungen in den organisatorischen Rahmenbedingungen

für wissenschaftliche Publikationen entwickeln sich durch die Nutzung neuer Medien

auch zahlreiche weitergreifende Möglichkeiten für die Dokumentation des Forschungs-

prozesses, etwa über das Bereitstellen umfangreicher (und teils interaktiv nutzbarer)

Zusatzmaterialien für Fachveröffentlichungen. Durch das Publizieren von Forschungsda-

ten und Forschungssoftware wird das Verständnis der Herleitung neuer Erkenntnisse

gefördert, das Ableiten alternativer Interpretationen erleichtert sowie eine Reproduzier-

barkeit und objektivere Vergleichbarkeit von Forschungsarbeiten in einem bisher nicht

dagewesenen Detailgrad ermöglicht. Es etabliert sich zudem langsam ein neuer Modus der

Kollaboration durch die Nutzung von Forschungsinfrastrukturen, wo verwendete Daten

und Verfahren gesichert, ausgetauscht, veröffentlicht und (ggf. in ganz unerwarteten

Kontexten) nachgenutzt werden können.

Während die neuen Publikations- und Kollaborationsmöglichkeiten für sich genommen

bereits großen Einfluss auf die Wissenschaftswelt ausüben, so zeigen sich die größten

Auswirkungen des technologischen Wandels auf viel grundlegenderer Ebene: in der Art

und Weise, wie geforscht wird. Im Hinblick auf die quellenorientierte Forschung ist die

vgl. z. B. [Cav12] und [Ris14] und s. auch entsprechende Überlegungen aus dem

„WRoTe Digital Humanities Dialog“, 2013,

http://dialog.e-humanities.net/assets/dialog/wrote-2013/Gruppendiskussion.pdf

Kapitel 1 Einleitung

Adaption einer digitalen Arbeitsweise im Forschungsprozess immer dann unausweichlich,

wenn die Analyse großer Quellenbestände nötig wird, sowie, wenn eine umfassendere

und systematisierte Sicht auf bisher traditionell ausgewertete Primärquellen und die

dabei entstandene Sekundärliteratur möglich werden soll.

Wichtigste Triebfeder dieses digitalen Wandels in den quellenorientierten Geistes- und

Sozialwissenschaften ist die derzeit großflächig durchgeführte Digitalisierung analoger

Bestände in Bibliotheken, Museen, Stiftungen und Archiven. Momentan ist diese primär

motiviert durch konservatorische Überlegungen zur dauerhaften Bewahrung kulturellen

Erbes und mithin des wertvollen Wissens, das bisher nur physisch auf, in, und in Form

von (teils fragilen) Objekten hinterlegt ist

. Daran ist jedoch oft auch der Wunsch einer

besseren Kategorisierung, Verwaltung und Beschreibung der eigenen Bestände über digi-

tale Methoden verknüpft. Zudem wird bei Digitalisierungsinitiativen (besonders, wenn

sie aus Mitteln der öffentlichen Hand finanziert werden) häufig auch die Wissenschaft

als Hauptnutzer der entstehenden digitalisierten Sammlungen adressiert. In solchen

erweiterten Nutzungsszenarien muss die Konzeption und Durchführung der Digitali-

sierungsarbeiten entsprechend qualifiziert ablaufen, um eine Eignung für die jeweils

avisierte Form der Weiterverarbeitung zu gewährleisten.

Die Deutsche Forschungsgemeinschaft (DFG) hat mit [

DFG13

] entsprechende Empfeh-

lungen erstellt, in denen Regeln und Richtwerte für die digitale Erfassung von Objekten

(primär als Bild) und die Anreicherung dieser Digitalisate mit den zugehörigen Zusatz-

informationen (so genannten Metadaten, durch welche der entsprechende Datensatz

auffindbar gemacht werden soll) enthalten sind.

Mit dem Hinzufügen immer weiterer und feingliedriger Metadaten verschiebt sich auch

der Fokus vom reinen Erhalt von Sammlungen hin zu ihrer digitalen Erschließung. Simple

Katalogerfassung wird dabei durch subjektivere Vorgänge und fachwissenschaftliche

Interpretation ergänzt, durch welche der Digitalisierungsprozess nah an die Forschung

selbst heranrückt. Auch hier stellt sich die Frage nach einem angemessenen Umgang mit

den sich bietenden Möglichkeiten. Besonders die historisch arbeitenden Wissenschaften

sehen sich mit einem plötzlich massiv auftretenden Bedarf an wissenschaftlicher Erschlie-

ßung großer Bestände konfrontiert. Der dabei zu beobachtende Paradigmenwechsel wird

in [Mic16] treffend beschrieben:

In dieser Betrachtung werden inhärent „oberflächliche“ Mass-Digitization-Projekte aus dem kommer-

ziellen Umfeld (z. B. Google Book Search) wegen ihres grundsätzlich umstrittenen Nutzens für die

Wissenschaft (vgl. [GTW13] für eine detaillierte Analyse) zunächst ausgeklammert.

1.1 Motivation

[...]

the advent of the digital library and other digital resources has profoundly al-

tered the historian’s relationship to information. The common prior condition of in-

formation scarcity has given way to overabundance.

Der Umgang mit einem plötzlichen Überfluss an Information ist für die Gelehrtenwelt

nichts fundamental Neues,

doch das derzeitige Ausmaß angesichts der relativ kurzen

Zeitspanne, seit der die Digitalisierung Einzug in die Fachgebiete hält, macht ihn weit

weniger beherrschbar

. Ganz allgemein gesehen fehlt in der Wissenschaft – wie auch in

anderen zentralen Sektoren – vielfach die nötige Digitalkompetenz. Eine qualifizierte Her-

angehensweise an die Lösung von Problemen mit digitalen Mitteln hat sich noch nicht als

Kulturtechnik etabliert. Entsprechend werden derzeit auch in den Geisteswissenschaften

verstärkt Experten benötigt, die entsprechende Werkzeuge bereitstellen können.

Hier ergibt sich ein starker Berührungspunkt zur traditionell eher naturwissenschaftlich

geprägten Technikwelt und zur Informatik. Während frühere Vorhaben zur Adaption

digitaler Werkzeuge, wie Datenbanken, Katalogsysteme und Statistik-Software teils noch

autark innerhalb der Fachdisziplinen umgesetzt werden konnten, stoßen diese Ansätze

nun langsam an ihre Grenzen. Die Notwendigkeit zur interdisziplinären Arbeit eröffnet

derzeit für alle Seiten neue Chancen für Kollaborationen jenseits des eigenen Fachge-

biets. Aufgrund geringer inhaltlicher Schnittmengen und fundamental unterschiedlicher

Wissenschaftstraditionen nehmen die Fachwissenschaften und die Informatik jedoch in

gemeinsamen Forschungsvorhaben naturgemäß die Rollen von Antagonisten ein, welche

bestrebt sind, den Entwicklungsprozess vom eigenen Standpunkt her zu beschreiben und

zu lenken. Daraus ergibt sich nicht selten Konfliktpotential, insbesondere, wenn damit

eine Reduzierung der Informatik auf einen reinen Technik-Dienstleister oder umgekehrt

die technologieinduzierte Beschränkung des Einflusses der Fachwissenschaften auf eine

simple massenhafte Dateneingabe verbunden ist.

Um diese Hürden zu umschiffen, widmen sich die

e-Humanities

bzw.

Digital Humanities

einer gemeinsamen Erarbeitung von Forschungsmethodik für ein angenehmeres, produk-

tiveres, zielgerichtetes und adäquates Arbeiten in diesem emergenten Feld überlappender

Forschungsinteressen. Die Aktivitäten setzen sowohl bei der Entwicklung allgemeiner

siehe z. B. [

Bla10

] zum Einfluss der (subjektiv wahrgenommenen und objektiv belegbaren) Schwemme

gedruckter Bücher ab dem beginnenden 16. Jahrhundert auf die europäischen Gelehrten und die

Wissensproduktion

An dieser Stelle soll zur Fokussierung der einleitenden Überlegungen nicht detaillierter auf die abzuse-

henden Probleme zukünftiger Historiker im Umgang mit den Artefakten unserer heutigen digitalen

Wissensproduktion eingegangen werden, jedoch sei beispielhaft auf [

Ros03

] für eine kritische Be-

trachtung dieser Thematik verwiesen.

Kapitel 1 Einleitung

Theorien als auch beim anwendungsnahen Sammeln von „

Best Practices

“ an, wobei auch

da die Arbeit an generischen und an spezialisierten Werkzeugen unterschieden werden

kann.

In diese Prozesse können beide Seiten ihre jeweiligen Stärken einbringen. Wichtige

Kompetenzen der Informatik liegen dabei u. a. in der formell korrekten und technisch

effizienten Modellierung von Daten, im Umgang mit sehr großen Datenmengen, der Ver-

netzung von Wissensressourcen, der Entwicklung von Analyseverfahren und -werkzeugen

sowie der Visualisierung von Analyseergebnissen. Die Geisteswissenschaften bringen

dagegen u. a. sorgfältige manuelle Arbeitsweisen, theoriegeleitete Auswertungs- und

Interpretations-Frameworks, ein hohes Verständnis für relevante Kontexte der Quellen

und Daten sowie Erfahrung im Umgang mit unscharfen und unterspezifizierten Kategori-

en ein.

Während in diesem derzeit populären Bereich auch viele neue Ansätze entwickelt werden,

befindet sich aus Sicht der Informatik (bis auf einige löbliche Ausnahmen) die Groß-

zahl der bisher in den Geisteswissenschaften breit eingesetzten digitalen Werkzeuge im

Hinblick auf Datenmodellierung, Datenhaltung, Abfragemöglichkeiten und Interaktions-

schnittstellen noch auf dem Forschungsstand der 1990er Jahre.

Um diesen Zustand nachhaltig zu verändern, bedarf es einer Analyse der aktuellen tech-

nologischen Entwicklung. Abseits der sozial- und geisteswissenschaftlichen Anwendungs-

domäne (und teils auch ohne starke Verbindung zur Informatik-Forschung) prosperieren

derzeit viele neue wissens- und datenverarbeitende Gebiete. Berufsbezeichnungen, wie

„

Data Analyst

“ und „

Data Scientist

“ durchziehen die Stellenangebote in fast allen Branchen.

Allgegenwärtige Datenquellen (in Unternehmen, öffentlichen Stellen und über offene

digitale Kommunikationskanäle) machen Daten zu einem wichtigen und gut verfügbaren

„Rohstoff“, dessen Verarbeitung und Erschließung

sowie Auswertung Wettbewerbsvor-

teile verspricht.

Es werden hierbei Technologien benötigt, mit denen Wichtiges von Unwichtigem ge-

trennt, der Grad der Strukturierung erhöht sowie der Kontext der Daten zunächst isoliert

erfasst und anschließend durch eine Verknüpfung mit bereits Bekanntem erweitert wer-

den kann. Das Auffinden und die Anreicherung großer Datensammlungen sind dabei an

der Tagesordnung, so dass Schlagworte wie

Big Data

mittlerweile allgemeine Bekanntheit

(und im Bereich personenbezogener Daten auch erste berechtigte Kritik) erlangt haben.

passenderweise oft als Data Mining bezeichnet – bei textuellen Daten als Text Mining

1.1 Motivation

Angesichts enorm großer Bestände von über das Internet verfügbaren, verknüpften

Informationsressourcen und nicht zuletzt durch die wirkmächtige Popularisierung von

„Sozialen Netzwerken“ wird begreiflich, dass auf gewisse Weise „alles mit allem vernetzt

ist“

. Wird diese Beobachtung konsequent verinnerlicht, wird dadurch eine Auswertung

von Daten in ihrem Kontext bzw. in ihren vielen Kontexten zum einen erst möglich und

zum anderen dringend erforderlich.

Das vorliegende Buch greift sich im Folgenden mit der Fokussierung auf Graphdaten-

banken eine Technologie aus der aktuellen Entwicklung heraus, die dieser Sichtweise in

besonderem Maße gerecht werden kann und die ein aktueller Forschungsgegenstand der

Informatik ist. Sie wird auf die Speicherung und Verarbeitung von Text, als der primären

Quellenform der Geisteswissenschaften, erweitert. Auch Metadaten, lexikalisches Wissen

und nutzerdefinierte Konzeptualisierungen werden damit abbildbar. Das System bildet

die Basis für vielseitige Rechercheanwendungen.

Trotz prinzipiell technischer Ausrichtung des Buches und der grundsätzlich universellen

Anwendbarkeit der vorgestellten Verfahren für textorientierte Recherchen wird bewusst

der Bezug zu den Sozial- und Geisteswissenschaften hergestellt, da der Autor eine Annä-

herung auf digitalem Terrain als perspektivisch wichtig ansieht: Die Qualifizierung der

Informatik in Richtung des tieferen Verständnisses gesellschaftlich relevanter Fragestel-

lungen und dem adäquaten Umgang mit kulturellen Artefakten – insbesondere textuellen

Quellen – muss sich ebenso vollziehen, wie die Qualifizierung der Geisteswissenschaften

in Richtung der informierten und zweckmäßigen Nutzung aktueller Technologien.

Oft wurde in der Vergangenheit schon thematisiert, dass beiden Seiten ein breiteres

Gespür für die relevanten Fragestellungen der jeweils anderen fehlt. Diesem Buch liegt

die Hoffnung zugrunde, dass diese Hürden durch die gemeinsame, schrittweise und for-

schungsgeleitete Entwicklung von adäquaten Werkzeugen im Rahmen der e-Humanities

abgebaut werden können. Letztendlich soll mit der Urbarmachung neuer und moderner

technologischer Basiskomponenten eine Grundlage für eben solche gemeinschaftlichen

Projekte geschaffen werden.

vgl. [Bar02] als Ausdruck der „neuen Wissenschaft von Netzwerken“

Kapitel 1 Einleitung

1.2 Forschungsfragen

Im Angesicht der oben beschriebenen Ausgangslage kommen auf die Informatik viele

neuartige Problemstellungen zu, die sowohl im Bereich der anwendungsbezogenen For-

schung (speziell im interdisziplinären Kontext) angesiedelt sind, als auch Kernthemen der

Informatik, wie Datenmodellierung und -repräsentation sowie Algorithmik betreffen. In

dieser Arbeit soll nicht vorrangig ein konkretes Teilproblem fokussiert gelöst werden. Das

wichtigere Ziel ist es, eine grundsätzliche, teils technologisch motivierte, teils von offenen

Fachfragen der Geisteswissenschaften gelenkte Ergänzung bisheriger Problemlösungen

und Lösungsstrategien zu ermöglichen. Um die breite Anwendbarkeit der vorgestellten

Überlegungen und Lösungen zu sichern, wird im Laufe der Ausführungen unterschiedli-

chen Fragestellungen nachgegangen. Über diesen spezialisierten Aspekten stehen jedoch

einige grundsätzliche Fragen, zu denen in diesem Buch Erkenntnisse gewonnen werden

sollen.

Die untersuchte Technologie der Graphdatenbanken stellt einen vergleichsweise neuen

und sehr vielversprechenden Zweig der Datenbanktechnologie dar. Insbesondere für

hochkomplexe Anwendungsdomänen (zu denen die Verarbeitung geisteswissenschaftli-

cher Daten zweifellos gehört) mit auf inhaltlicher Ebene eng verwobenen Datensätzen

und Quellen gelten Graphdatenbanken als geeignete Speicher- und Abfragemöglichkeit.

Deswegen besteht die grundlegende Annahme, dass Graphdatenbanken gewinnbringend

im Bereich der e-Humanities angewendet werden können. Bezogen auf die Arbeit mit

Textkollektionen ergeben sich nun eine Reihe konkreter Forschungsfragen:

Können alternative Formen der Text- und Metadaten-Repräsentationen helfen,

den Forschungsprozess flexibler zu gestalten?

Wie bedingen sich digitale Repräsen-

tationsform und Analysemöglichkeiten? Verbessern feingliedrigere Modelle die Abfrag-

barkeit und Interpretierbarkeit von Daten? Welches Maß an zusätzlicher Komplexität

bringt die alternative Repräsentation mit sich?

Graphdatenbanken werden erfolgreich als Backend für komplexe hochskalierende

Websysteme verwendet. Kann die textorientierte Forschung von dieser Technolo-

gie profitieren?

Kann der parallele Zugriff auf große Textkollektionen über Graphdaten-

banken realisiert werden? Können interaktive und reaktive Webportale auf Grundlage

solcher Zugriffsverfahren erstellt werden?

1.3 Beiträge zum Forschungsfeld

Sind Graphdatenbanken eine geeignete Technologie für die Entwicklung von Ver-

fahren für das Zusammenspiel quantitativer und qualitativer Betrachtungswei-

sen?

Welche Möglichkeiten für explorative Datenanalyse bieten sich? Wie können die

Verfahren verständlich kommuniziert werden? Wie kann die Dokumentation des For-

schungsprozesses unterstützt werden?

Welche Aspekte der automatischen Sprachverarbeitung können durch die Textre-

präsentation in Graphdatenbanken abgebildet werden?

Sind

Text-Mining

-Verfahren

weiterhin anwendbar? Welche Chancen und Grenzen ergeben sich für das

Information

Retrieval?

Welche über Textdaten hinausgehenden Modellerweiterungen ermöglicht die Nut-

zung von Graphdatenbanken?

Welche Domänen und Arten von Datensammlungen

lassen sich abbilden? Welche erweiterten Modelle eignen sich für graphbasierte Netz-

werkanalysen? Welche zusätzlichen Aufwände entstehen im Rahmen der Anpassungen?

1.3 Beiträge zum Forschungsfeld

Für die zielgerichtete Weiterentwicklung der Digitalen Geisteswissenschaften als Anwen-

dungsdomäne der Informatik ist die Identifizierung bisheriger technologischer Hürden

und Unzulänglichkeiten eine wichtige Hilfestellung. Aus interdisziplinärer Sicht leistet

das Buch darüber hinaus einen Beitrag zur Klärung der drängenden Frage, welche Art

von neuartigen Werkzeugen sich aus aktuellen technologischen Entwicklungen ableiten

lassen. Dadurch werden Impulse gegeben, einige der bislang durch konventionelle Analy-

semethoden bedingten Limitierungen der Forschungsmöglichkeiten für (textbasierte)

Untersuchungsgegenstände durch alternative Ansätze zu überwinden. Die Ausarbeitung

ergänzt die Demonstration der Leistungsfähigkeit neuer Methoden bewusst auch um Hin-

weise zu den jeweiligen Nachteilen und gibt schließlich Anregungen für interdisziplinäre

Arbeitsmodi, mit denen eine projektbezogene und zielgerichtete Auswahl geeigneter

Technologien stattfinden kann.

Als Teil der in diesem Buch vorgestellten Arbeiten wird ein flexibles und erweiterbares

Datenmodell vorgestellt, welches geeignet ist, Texte sowie die damit verknüpften Zusatz-

informationen und Analyseobjekte auf sehr feingranularer Ebene abzubilden. Es wird

gezeigt, wie dieses hinsichtlich unterschiedlicher Anforderungen an die Datenabfrage

Kapitel 1 Einleitung

und -analyse angepasst werden kann. Dabei wird ausdrücklich nicht die Standardisierung

einer einzelnen Repräsentationsform angestrebt, sondern vielmehr ein „Baukasten“ ge-

schaffen, mit dem sich ein Pluralismus verwandter (und grundsätzlich interoperabler)

Datenmodelle anhand konkreter Anforderungen herausentwickeln kann.

Auf dieser Basis wird die enge Verzahnung von digitaler Repräsentation mit der Operatio-

nalisierung digitaler Arbeitsschritte, wie etwa Persistierung, Normalisierung, Suche und

Aggregation sowie mit den forschungsgeleiteten Auswertungs- und Recherche-Verfahren

verdeutlicht. Die Arbeiten legen damit den Grundstein für neue Verfahren, bei denen

ein stärkerer Fokus auf der Nutzung von Verknüpfungen innerhalb der Datenbasis liegt.

Diese neue, „vernetzte“ Sichtweise bezieht viele unterschiedliche Aspekte in die Analy-

sen ein und betrachtet Analyseeinheiten, wie etwa Wörter mit ihren lokalen Kontexten,

ergänzende nutzerspezifische Annotationen, automatisch identifizierbare Entitäten und

sprachgrenzenüberschreitende Vokabulareinheiten. Dies sind wichtige Bausteine für eine

Weiterentwicklung von sprachverarbeitenden Methoden innerhalb der angewandten

Informatik, insbesondere im Text Mining und Information Retrieval.

Für die Implementierung und Untersuchung dieser Verfahren wird eine prototypische

Plattform entwickelt und detailliert beschrieben. Diese Plattform ist ein wichtiges Hilfs-

mittel, um neuartige Herangehensweisen an die Analyse von Textdaten nicht nur auf

theoretischer Ebene zu diskutieren, sondern in Form nutzbarer Software in eine diszipli-

nenübergreifende Debatte einzubringen. Sie ermöglicht die Erprobung solcher Verfahren

anhand konkreter Textkollektionen und im Kontext tatsächlich existierender Forschungs-

fragen. Dabei besteht der Anspruch, mit dem System ein ergänzendes Werkzeug zu

schaffen, das komplementär zur bestehenden Technologie eingesetzt werden kann und

eine explorative Beschäftigung mit dem Datenbestand, seiner Struktur und alternativen

Zugangsformen für die Analyse ermöglicht. Es soll nicht als ein Ersatz für vorhandene

Werkzeuge dienen.

Darüber hinaus wird durch die Vorstellung konkreter Fallbeispiele ein Eindruck von der

breiten Anwendbarkeit der entwickelten Technologie vermittelt. Anhand diverser Frage-

stellungen werden einerseits Querschnittsaspekte, wie der Umgang mit Metadaten und

benannten Entitäten thematisiert, deren gute Verallgemeinerbarkeit auf andere Projekte

offensichtlich ist. Andererseits werden auch tiefergehende spezifische Anforderungen

einzelner Projekte beleuchtet und dafür technologisch kohärente Lösungswege vorge-

stellt, um das großes Potential der Technologie für Spezialentwicklungen aufzuzeigen. Es

wird gezeigt, das Graphdatenbanken eine Bearbeitung komplexer Problemstellungen aus

1.3 Beiträge zum Forschungsfeld

den Geistes- und Sozialwissenschaften erlauben, ohne dass es zu technologischen und

konzeptionellen „Medienbrüchen“ kommt.

Für die Informatik selbst ergeben sich aus den vorgestellten Arbeiten unter anderem

die folgenden Impulse: Zunächst ist zu erkennen, dass die Konzeption von Textdatenmo-

dellen stärker als bisher in die informatische Disziplin getragen werden sollte. Während

aus den digitalen Geisteswissenschaften umfangreiche Vorarbeiten zum „Wesen“ von

Text, seinen verschiedenen konkurrierenden Lesarten, der Anfertigung werksgetreuer

Editionen sowie einer menschen- wie maschinenlesbaren Abbildung dieser Aspekte vor-

liegen, sind die Aspekte einer effizienten Auswertbarkeit von (großen und sehr großen)

Textkollektionen auf feingranularer Ebene bisher wenig berücksichtigt. Hier besitzt die

Informatik mit profunder Kenntnis von Algorithmik, Komplexitätslehre, Textstatistik

und einer etablierten Praxis des Software Engineering viele Kompetenzen, die bislang zu

wenig genutzt werden.

Zum anderen wird deutlich, dass die paritätische interdisziplinäre Arbeitsweise, die sich

etwa in der Wirtschafts-, Bio- und anderen Formen erfolgreicher „Bindestrich-Informatik“

bereits etabliert hat, im Bereich von sozial- und geisteswissenschaftlichen Anwendungen

noch gefunden werden muss. Ein Beitrag zu diesem Prozess wird mit einer technolo-

gisch transparenten, prototypenzentrischen Herangehensweise an die Entwicklung von

Datenmodellen und Werkzeugen geleistet, deren digitale Artefakte über die gesamte

gemeinsame Projektarbeitszeit als Kommunikationsmittel zwischen den beteiligten Dis-

ziplinen dienen können.

Der Nutzen für die Informatik aus der Beschäftigung mit den e-Humanities ist vielfäl-

tig: Neue Anwendungsgebiete mit neuen Problemen beleuchten immer auch Bereiche

der Kerndisziplin, in denen weitere innovative Verfahren entwickelt werden müssen.

Gleichzeitig sorgen konkrete Anwendungsfälle dafür, dass neue Verfahren aus der theo-

retischen wie anwendungsbezogenen Forschung in einer Weise implementiert werden,

die ihre breitere Nutzung, Optimierung, Erweiterung und Dissemination fördert. An-

gesichts explodierender Datenmengen unterschiedlichster Strukturierungsgrade sind

davon zahlreiche Teildisziplinen der Informatik berührt. Die e-Humanities mit ihrer stark

quellenorientierten Arbeitsweise verlangen nach gut dokumentierten (im besten Fall

selbstdokumentierenden) Verfahren und Prozessketten, die eine Provenienz für Daten

sicherstellt und eine reproduktionsbereite Beschreibung relevanter Teilschritte enthält.

Es kommt bei neuen Verfahren in diesem Umfeld also keinesfalls nur auf die Ausgabe,

sondern auf den kompletten Prozess an.

Kapitel 1 Einleitung

1.4 Aufbau des Buches

An die bis hierhin vorgestellten einleitenden Überlegungen schließt sich mit Kapitel 2 eine

Einordnung der Arbeiten in den interdisziplinären Forschungskontext der e-Humanities

an. Darin werden relevante Begriffe eingeführt und theoretisch verortet sowie die Be-

sonderheiten der Anwendungsdomäne analysiert. Weiterhin wird der konzeptionelle

und technologische Rahmen abgesteckt und ein Überblick über verwandte Felder und

Ansätze gegeben.

Unter Berücksichtigung der dabei entwickelten Anforderungen und Ziele für eine me-

thodische und technologische Weiterentwicklung von Rechercheanwendungen wird

in Kapitel 3 ein graphbasiertes Datenmodell für die flexible Repräsentation von for-

schungsrelevanten Textkollektionen konzipiert und im Kontext üblicher Text-Mining-

und Information-Retrieval-Aufgaben positioniert. Darüber hinaus wird die Architektur

und Funktionsweise des Recherche-Systems „Kadmos“ vorgestellt, welches durch die Nut-

zung dieses Datenmodells eine Vielzahl flexibler Abfrageszenarien sowie die Auslieferung

vorberechnungsfreier Textstatistiken erlaubt.

In Kapitel 4 werden erweiterte Anwendungsfälle für den Einsatz von Graphdatenbanken

zur Unterstützung digitaler geistes- und sozialwissenschaftlicher Forschung vorgestellt,

womit gezeigt wird, dass Ihre Anwendbarkeit auch deutlich über die Mindestanforderun-

gen an forschungszentrierte Textrepräsentation hinausgeht.

Schließlich folgt im letzten Kapitel eine Zusammenfassung und kritische Betrachtung der

in der Arbeit geleisteten technologischen und konzeptionellen Beiträge. Daran schließt

sich ein Ausblick zu möglichen Erweiterungen und zur Einbindung in Forschungsprojekte

und -infrastrukturen an.

Ein Überblick über die für dieses Buch relevanten Sammlungen von Textquellen (so

genannte Korpora) wird in Tabelle A im Anhang gegeben.

Kapitel 2

Forschungskontext und relevante

Technologien

[...] think of the relationship between computing technology and the

disciplines of the humanities as a moment by moment becoming of

their futures, to some degree unpredictably, through an ongoing

contest between the disciplines’ strong sense of themselves on the one

hand and all that contingently affects them, including the relentless

development of digital technologies, on the other.

Willard McCarty

Professor of Humanities Computing, King’s College London

aus dem Essay

„The Future of Digital Humanities Is a Matter of Words“ [McC13b]

Kapitel 2 Forschungskontext und relevante Technologien

2.1 e-Humanities

2.1.1 Entwicklung und Selbstverständnis des Fachgebiets

Die Anfänge digitaler Methoden in den Geisteswissenschaften lassen sich recht präzise

zurückverfolgen und sollen hier nur kurz entsprechend [

Hoc04

] wiedergegeben werden.

Einen detaillierteren Überblick über die Arbeiten der 1960er Jahre (aus US-amerikanischer

Perspektive) bietet z. B. [Hin13].

Als Ausgangspunkt der zunächst unter dem Namen „

Humanities Computing

“ bekannt

gewordenen Aktivitäten wird sehr oft das Vorhaben von Roberto Busa genannt, eine

Konkordanz

zu den Schriften des Thomas von Aquin (und ausgewählter Texte ähnlicher

Autoren) anzulegen. Da jener ein sehr umfangreiches Werk hinterlassen hat, wäre eine

manuelle Bearbeitung dieses Problems sehr aufwändig: Für die Konkordanz müssen rund

11 Millionen laufende Wortformen nach ihrer Oberflächenform gruppiert und innerhalb

der lexikalisch sortierten Gruppen anschließend mitsamt ihrer Positionsangaben und

Umgebungswörter abgetragen werden.

Für seinen

Index Thomisticus

entschied sich Busa im Jahr 1949 deshalb, die Kooperation

mit universitären Rechenzentren in den USA zu suchen, um die Arbeiten mit Unter-

stützung von Großrechneranlagen zu vereinfachen. Allerdings wurde sein Vorhaben

von diesen Institutionen durchweg als nicht durchführbar verworfen. Schließlich fand

Busa im Bereich der kommerziellen Rechentechnik in Thomas J. Watson (dem damaligen

Geschäftsführer von IBM) einen großzügigen Unterstützer, der ihm die benötigte Technik

und entsprechend geschultes Personal zur Verfügung stellen konnte.

Die Arbeiten im

Humanities Computing

begannen also bereits in der frühen Anfangszeit des

industriellen Großrechners, als die weithin verfügbare Technologie den Anforderungen

an die Verarbeitung einer solch großen Datenmenge im Grunde noch nicht gewachsen

war. Eine „Datenbank“ des

Index Thomisticus

in der damals üblichen Speicherform auf

Lochkarten hätte laut Busa [

Bus04

] ca. 500 Tonnen gewogen.

Das ganze Projekt war

daher sehr stark auf technische Neuentwicklungen angewiesen, welche sich im Laufe der

ein Verzeichnis von in Texten vorkommenden Wörtern (index verborum), meist unter Angabe der jewei-

ligen Wortumgebungen (Satz oder Ausschnitt mit konstanter Anzahl an Vorgänger- und Nachfolge-

wörtern)

Details zu dieser Kooperation können in [Bus80] nachgelesen werden.

Aus den dort beigefügten hypothetischen Größenangaben ergibt sich allerdings ein reines Papiergewicht

von maximal 90 metrischen Tonnen.

2.1 e-Humanities

Zeit auch nach und nach einstellten und welche jeweils schnell adaptiert wurden – dazu

Busa z. B.: „

In His mercy, around 1955, God led men to invent magnetic tapes.

“. Im Jahr 1980

konnte das Gesamtwerk schließlich (digital, im automatischen Offset-Verfahren) gedruckt

werden. Es entstanden 56 Konkordanzbände mit insgesamt 65000 Seiten und gegen Ende

der 1980er Jahre wurde begonnen, den

IndexThomisticus

in Form einer einzelnen Daten-CD

digital zur Verfügung zu stellen.

Über Jahrzehnte hinweg wurden so enorme Aufwände in Kauf genommen, um eine wich-

tige Textquelle zu erschließen und in ihrer Gesamtheit besser verständlich zu machen.

Dabei stellt das ursprüngliche Ziel, die Schaffung einer Konkordanz, aus heutiger Sicht

nur eine sehr simple Arbeitshilfe für den Zugang zu Vokabular und seiner Nutzung in

Texten dar. Durch die Digitalisierung der Texte lassen sich heutzutage alle erdenklichen

Verfahren auf diese Version der Quelle anwenden. Während anfangs also ein spezifisches

Werkzeug geplant war, birgt die digitale Edition das Potential, zum universellen Basis-

werkzeug zu werden. Wie eingangs in dieser Arbeit beschrieben, sind aktuell unzählige

Digitalisierungsinitativen damit beschäftigt, die Grundlage für digitale Forschung in ei-

ner großen Bandbreite an Forschungsfeldern zu legen. Die Möglichkeiten der späteren

Nutzung und Auswertung dieser Daten sind zum Teil noch nicht vollständig abzusehen,

jedoch kann, wie gezeigt, bereits von sehr einfachen Werkzeugen großer Nutzen ausge-

hen. Die fachwissenschaftlichen Quellen in ihrer digitalen Form geben daher quer durch

die Disziplinen neue Impulse für den Forschungsprozess.

Diese Entwicklung reiht sich in eine lange Historie von Wendepunkten geisteswissen-

schaftlicher Forschung ein, die unter markanten Schlagwörtern, wie dem

Linguistic Turn

(ab ca. 1900) oder dem

Spatial Turn

(ab ca. 1980) bekannt geworden sind, vgl. [

BM14

Scharloth, Eugster und Bubenhöfer verwenden in [

SEB13

] den Begriff „

Data-driven Turn

“

zur Charakterisierung neuer Forschungsansätze, die „auf vorgängige Hypothesen ver-

zichten und mit Datenmengen arbeiten, die so umfangreich sind, dass sie von keinem

wissenschaftlichen Individuum mehr in eine Gesamtschau gebracht werden können“.

Unter Berücksichtigung der im Einleitungskapitel genannten Transformationsprozesse

kann derzeit sicher ganz allgemein vom Digital Turn gesprochen werden.

Die von dieser Entwicklung berührten Disziplinen leisten nun unter dem Dach der

Digital

Humanities

Beiträge für die Entwicklung einer gemeinsamen digitalen Methodensamm-

lung. Dabei wird sowohl die Erprobung neuer Methodik für die Beantwortung bekannter

Fragestellungen als auch das Finden neuer Forschungsfragen durch den Einsatz daten-

basierter Herangehensweisen vorangetrieben. Bestehende Theorien können dadurch

Kapitel 2 Forschungskontext und relevante Technologien

kritisch hinterfragt, bestätigt oder erweitert werden und alternative Interpretationsan-

sätze können sich herausbilden.

Der Dachverband für Aktivitäten der digitalen Geistes- und Sozialwissenschaften ist die

Alliance of Digital Humanities Organizations (ADHO), in welcher viele regionale Verbände

organisiert sind. Die weltweit agierende Community richtet über diesen Verband eine

jährliche Konferenz aus. Weitere interne wie auch überregionale Konferenzen der Mit-

gliedsverbände und eine große Zahl themenspezifischer Veranstaltungen – von großen

Konferenzen bis zu kleinen Workshops, Kolloquien und Vortragsreihen – erweitern das

Angebot an physischen Begegnungs- und Austauschmöglichkeiten.

Was sind nun die Kernfragen und das Kernanliegen der Digital Humanities? Zur Diskussion

der Ziele, Probleme und Ausrichtung dieser Disziplin sind bereits unzählige Einführungen,

Leitartikel, Selbstbeschreibungen, Kompilationen, Gegenentwürfe und Manifeste erschie-

nen, so beispielsweise [

SSU04

], [

Kir10

], [

BDL

], [

Sve12

], [

Gol12

], [

AB14

] und [

Kön16

]

sowie viele weitere im Verlauf dieses Buches referenzierte Beiträge. Dennoch fällt es sehr

schwer, die Charakteristika der digitalen Geistes- und Sozialwissenschaften abschließend

zu definieren. Im Jahr 2012 wurden anlässlich des „DH-Tages“ die Teilnehmer gefragt:

„

How do you define digital humanities?

“. Anhand der 256 Antworten, die daraufhin gesam-

melt wurden

lässt sich ableiten, dass es auf der einen Seite eine Vielzahl (fachbezogener

wie fachübergreifender) Hoffnungen und Wünsche an diese Forschungsrichtung gibt und

allgemeine, wie auch sehr fachspezifische Sichtweisen vorherrschen – auf der anderen

Seite aber auch oft gar kein Bedürfnis nach einer abschließenden Definition besteht

(Antwort: „I don’t.“).

Letztlich bleiben die

Digital Humanities

daher ein Sammelbegriff für diverse Arbeiten

und Ansätze, die durch meist interdisziplinär aufgestellte und mehr oder weniger stark

institutionalisierte Verbünde von Forschern repräsentiert werden. Für den fachlichen

Austausch haben sich zahlreiche (meist digital erscheinende) Journals

und Online-Com-

munity-Systeme, wie z. B. die „

DH Commons

“

oder der „

Global Outlook DH

“

konstituiert.

Auf die parallel dazu geschaffenen (technischen sowie organisatorischen) Forschungsin-

frastrukturen wird noch in Abschnitt 2.1.3 auf Seite 24 genauer eingegangen.

http://archive.artsrn.ualberta.ca/Day-of-DH-2012/dh/

für eine Liste ohne Anspruch auf Vollständigkeit s. z. B. hier:

http://digitalhumanities.berkeley.edu/resources/digital-humanities-journals

http://dhcommons.org/

http://www.globaloutlookdh.org/

– eine Initiative, die sich speziell für den Abbau von Kommunika-

tions- und Kollaborationsbarrieren für Forscher und Forscherinnen aus Ländern mit unterschiedli-

chen Einkommensniveaus einsetzt

2.1 e-Humanities

Die Charakterisierung all dieser Institutionen und Aktivitäten als „interdisziplinär“ wird

stellenweise wegen der starken Abhängigkeiten und heterogenen Forschergemeinschaft

sowie häufigen Mischqualifikationen der einzelnen Forscher sogar durch das Prädikat

„transdisziplinär“ ersetzt. So beschreibt Lin etwa in [

Lin12

] unter Bezugnahme auf die

Untersuchungen zur Wissensproduktion in [

GLN

] eine sich neu herausbildende Ar-

beitsweise, „

which is context-driven, problem-focused, and transdisciplinary, involves multidis-

ciplinary teams with heterogeneous backgrounds working together. This differs from traditional

[...] research that is academic, investigator-initiated and discipline-based knowledge produc-

tion.“.

Die Wahrnehmung der

Digital Humanities

als aufstrebende Fachdisziplin oder neue wis-

senschaftliche Strömung stößt im heutigen akademischen Umfeld allerdings auf eine

sehr gemischte Rezeption:

[...]

it bloomed into an umbrella for a range of work taking place across the human-

ities, an intellectual turn towards both exploiting and understanding computational

and networked technology, and – depending on who you ask – a category of research

that either holds in its hands the future of the humanities or is complicit in a neo-

liberal agenda intent on destroying higher education and all that humanists hold

dear.

Der Großteil der Kritik zielt dabei vorrangig auf Aspekte der übermäßigen Institutiona-

lisierung und der damit verbundenen Verschiebung von Förderprioritäten ab, einige

Beiträge beziehen darin jedoch explizit auch die gesamte Praxis und Community der

Digital Humanities ein, wie etwa [ABG16].

Ungeachtet dieser Punkte kann die offene fachübergreifende Kommunikation und Kol-

laboration, wie sie in den Digital Humanities praktiziert wird, als wichtiges, fruchtba-

res und zukunftsträchtiges Forschungsmodell angesehen werden. Bei der Suche nach

adäquaten mathematischen, technologischen und informationswissenschaftlichen Rah-

menbedingungen für künftige Arbeiten eröffnet sich insbesondere für die Informatik ein

vielschichtiges, komplexes, datenreiches und innovationsbereites Anwendungsfeld. Das

stetig wachsende Interesse innerhalb der Informatik verdeutlicht sich u. a. auch durch ent-

sprechende Schwerpunktsetzungen für etablierte Konferenzen und Publikationsreihen.

In [

HHSH15

] wird als einleitender Beitrag zum Problemkreis des „Informationsmanage-

ment für Digital Humanities“ betont, dass dabei als zwei untrennbare Aspekte die „[...]

aus einem Buch-Review von James Baker: http://www.history.ac.uk/reviews/review/1634

Kapitel 2 Forschungskontext und relevante Technologien

Unterstützung geisteswissenschaftlicher Forschungsarbeiten mit Methoden der digita-

len Informationsverarbeitung sowie Forschungsfragen, die sich dadurch auch für die

Informatik ergeben“, relevant sind.

Einen Schritt weiter gehen die

Computational Humanities

, in deren Kern die Entwicklung

neuer Algorithmen, Formalismen und generischer Methoden zur Verarbeitung von Quel-

lenmaterial steht. Hier ist die konkrete Anwendung der erstellten Werkzeuge in den

Geistes- und Sozialwissenschaften zum Teil erst ein nachgelagerter Schritt einer eigentli-

chen informatiknahen Grundlagenforschung.

Aus dieser Vielfalt an Perspektiven ergibt sich auch die Verwendung des (sonst eher

seltener genutzten) Begriffs e-Humanities im Kontext dieses Buches. Wie in Abbildung 2.1

verdeutlicht, wird damit eine beide „Pole“ berücksichtigende Gesamtbetrachtung und

Mediation zwischen den aus historischen und methodischen Gründen zum Teil weit

entfernten Forschungsparadigmen beabsichtigt.

Abbildung 2.1: Einordnung der e-Humanities ins Fächergefüge, sinngemäß

übernommen aus [HI14]

Ein weiterer positiver Aspekt dieser Bezeichnung ist die direkte begriffliche Assoziation zu

den e-Sciences. Diese stehen für eben jenes neue und universelle Forschungsverständnis,

das eine offene Kollaboration von Fachwissenschaftlern über digitale Infrastrukturen in

den Mittelpunkt stellt. Nicht zuletzt kann auch die dort propagierte Reproduzierbarkeit

von Analysen

als wünschenswerter Input für digitale geisteswissenschaftliche Forschung

angesehen werden.

vgl. z. B. die zahlreichen Anwendungsfälle in [FFR16]

2.1 e-Humanities

2.1.2 Forschungsmethodik und aktuelle Entwicklungen

Die aktuellen Diskussionen und neuen Methoden in den e-Humanities stehen stark unter

dem Einfluss der von Franco Moretti geprägten Einteilung von analysierenden und in-

terpretierenden Forschungsaktivitäten in ein

Close Reading

und ein

Distant Reading

, vgl.

[

Mor13

]. Damit wird ein Kontinuum zwischen qualitativen und quantitativen Verfah-

ren sowie deren Anwendung auf große, allgemeine aber auch kleine und spezialisierte

Quellensammlungen sowie zwischen automatischen und manuellen Analyseprozessen

aufgespannt. Projekte, die neue Ansätze zur Adaption digitaler Methodik entwickeln,

positionieren sich oft in feststehende Nischen innerhalb dieses Raums, um damit ihre

generelle Ausrichtung und ggf. Anknüpfung an bestehende Arbeitsweisen zu kommuni-

zieren.

Die literaturwissenschaftlich geprägte Richtungsvorgabe Morettis sollte darüber hinaus

jedoch vielmehr als Anregung für eine flexible und bedarfsgerechte Methodensuche

und Methodenkombination sowie die Definition von

Best Practices

innerhalb des sich

neu ergebenden Spektrums digitaler Ansätze und Werkzeuge dienen. Stulpe und Lemke

schlagen in diesem Sinne für die Sozialwissenschaften (in welchen Texte selbst nur

als sekundäre Forschungsgegenstände gelten können) unter der Bezeichnung „

Blended

Reading

“ eine Verbindung (semi-)automatischer Verfahren und manueller Detailanalyse

vor, welche auf die Nutzung tatsächlich vorhandener „Erkenntnispotenziale“ abzielt, s.

[SL16].

Entsprechende breitere Ansätze werden auch in der Literaturwissenschaft selbst disku-

tiert, etwa unter dem Stichwort der “

Macroanalysis

“ bei [

Joc13

] oder mit den in [

Ram11

]

beschriebenen Ansätzen – „

toward an algorithmic criticism

“. Während die theoretischen

Überlegungen dort sehr weitreichend und aus Sicht der Fachwissenschaft sehr anregend

sind, bewegen sich der Grad der Formalisierung und die algorithmischen Beiträge (anders

als in den Sozialwissenschaften) dort eher auf niedrigem Niveau – etwa bei einfachs-

ter Wortstatistik. Auch in seinem (aus Sicht der Informatik) zunächst sehr technisch

klingenden Buch „

Graphs, Maps, Trees: Abstract Models for a Literary History

“ [

Mor05

] führt

Moretti keine eigentlichen Formalismen im Sinne der „exakten“ Wissenschaften ein. Es

werden unter diesem Titel lediglich Kartierung und das Anfertigen von Diagrammen

als Arbeitstechnik des

Distant Reading

charakterisiert

. Allgemein ist in einer Vielzahl

Mit dem Terminus „Graphs“ werden in Morettis Buch Diagramme und Schaubilder bezeichnet, nicht

Graphen im Sinne dieses Buches.

Kapitel 2 Forschungskontext und relevante Technologien

von Arbeiten jedoch allmählich auch ein Trend zur Adaption komplexerer Verfahren zu

erkennen.

In jedem Fall ist ein wesentlicher Aspekt für die Etablierung digitaler Forschungsansätze

die damit erreichbare methodische Transparenz. Eine in diesem Umfeld häufig genutzte

Begrifflichkeit ist die der „

Black Boxes

“, die informell in etwa so beschrieben werden kön-

nen: Werkzeuge, die für die Bearbeitung einer bestimmten Fragestellung herangezogen

werden, wobei deren interne Wirkmechanismen dem Nutzer nicht oder nur ungenügend

bekannt sind.

Dabei handelt es sich grundsätzlich um abgeschlossene Systeme, deren Verhalten zwar un-

tersucht und beschrieben werden kann, deren Wirkweise jedoch unklar ist. Die Ursprünge

dieser Betrachtungsweise liegen in der Systemtheorie und Kybernetik. Im gleichnamigen

Kapitel in [

Ash56

] wird die

Black Box

als ein experimenteller Untersuchungsgegenstand

vorgestellt, der mit verschiedenem

Input

konfrontiert werden kann und dessen

Output

sich messen oder beobachten und in Bezug zum Input protokollieren lässt. Daraus können

Hypothesen über die Wirkweise (und somit indirekt über den inneren Aufbau) entwickelt

werden.

In den e-Humanities ist der eigentliche Untersuchungsgegenstand jedoch nicht die

Black

Box

selbst, sondern deren Input (oder die Objekte, aus denen sich der Werkzeug-Input

ableitet). Die Unkenntnis der

Black Box

macht Ergebnisinterpretation in diesen Fällen

schwierig: Wenn nicht klar ist, welche Aspekte der Eingaben wie verarbeitet werden,

um eine Ausgabe zu generieren, kann das Werkzeug nicht sinnstiftend verwendet wer-

den. Eine methodische Transparenz erfordert insbesondere auch eine Transparenz der

verwendeten Datenrepräsentation und Datentransformation. McCarty schreibt dazu in

[McC13a]

„

Thus digital representation does not matter to the person interested only in output

or effects. But it is crucial to the person, [...] who wants to know what is lost in

translation, and more importantly what that loss illumines.“

Daraus lässt sich ableiten, dass nicht nur ein Verständnis der grundsätzlichen Funktions-

weise und Ausgabe eines Verfahrens notwendig ist, sondern auch die Art und Weise der

Ableitung von Informationen über den Aussagegegenstand, dessen Diskretisierbarkeit

und Formalisierbarkeit bedacht werden muss. Die Repräsentation muss relevante Aspek-

te abbilden können und in einer Form vorhalten, die verständliche, nachvollziehbare

Analysen ermöglicht.

2.1 e-Humanities

Diese Sichtweise reiht sich in aktuelle Bestrebungen ein, Arbeitsabläufe und Methoden

in den e-Humanities systematisiert zu beschreiben und ihr Zusammenspiel mit ver-

schiedenen Formen von Datenquellen zu charakterisieren. Beispielsweise wird aktuell

mit der „Taxonomy of Digital Research Activities in the Humanities (TaDiRAH) “

ein

Versuch der (mehrsprachigen) Definition von typischen geisteswissenschaftlichen For-

schungsaktivitäten unternommen, s. u. a. [

BDPS16

]. Solche Bestrebungen zur Ordnung

und stückweisen Formalisierung zentraler Arbeitsabläufe sind seit der Jahrtausendwende

im Gespräch, vgl. etwa [

Uns00

]. Eine direkte Umsetzung in Interaktionsmuster mit digi-

talen Werkzeugen existiert jedoch bisher nicht, zumal noch nicht abschließend geklärt

ist, wie in Forschungsprojekten üblicherweise das Verhältnis von (gut verallgemeinerba-

ren) Kernabläufen zu (thematisch und methodisch sehr diversen) vorhabensspezifischen

Arbeitsschritten gewichtet ist. Generell trägt die explizite Beschreibung aber zur indi-

viduellen Projektplanung auch im Hinblick auf die zu wählende Repräsentationsform

bei.

Die Entwicklung von Vorgehensmodellen kann die methodische Transparenz befördern,

wenn es dabei gelingt,

Best Practices

aus der generischen Methodenentwicklung und

vorhergehenden Projekterfahrungen mit einer zielstrebigen, stark von den Forschungs-

fragen geleiteten Herangehensweise zu kombinieren. Als ein erster Schritt hin zu solchen

„Projekt-Blaupausen“ kann beispielsweise die in [Fec16] vorgestellte „Data Adaption“ an-

gesehen werden, welche ein mehrschichtiges Vorgehensmodell, bestehend aus Phasen

der Beschäftigung mit den folgenden Aspekten vorsieht:

○

Forschungsziel und Quellen

○

Beschreibungsmodell

○

Datenmodell

○

Datensammlung und Anpassung

○

Exploration

○

Detailanalyse

Die einzelnen Schritte bauen jeweils auf den in der vorhergehenden Ebene gewonnenen

Erkenntnissen und getroffenen Entscheidungen auf. Diese sollten jeweils auch phasen-

weise dokumentiert werden, um in dieser Form als weitere Orientierungshilfe für die

nachfolgenden Arbeiten zu dienen.

Da in diesem Buch ein generisches Werkzeug beschrieben wird, lässt sich der Fokus nicht

http://tadirah.dariah.eu/vocab/index.php

Kapitel 2 Forschungskontext und relevante Technologien

auf die ersten beiden (projektspezifischen) Schritte legen. Die Beiträge setzen daher

als erstes bei der Entwicklung eines flexiblen Datenmodells an. Der Begriff des Daten-

modells wird dabei in Anlehnung an die in [

FJ15

] verwendeten Definitionen wie folgt

verstanden: Erstens als Ausdruck einer konzeptuellen und logischen Sicht auf die zu

erforschenden Daten, zweitens als Kommunikations- und Konkretisierungs-Werkzeug

für die datengetriebene fachliche Bearbeitung der Fragestellung und drittens als techni-

sche Beschreibungsform für die (inhärente oder angenommene) Struktur von Daten. Für

letzteren Aspekt positionieren Flanders und Jannidis das Datenmodell zwischen Modell-

instanzen, also die konkreten im Modell gespeicherten Daten, und ein Metamodell, also

die „Modellierungssprache“ mit ihren als Bausteine dienenden Modellierungskonstruk-

ten. Zurecht bemerken sie den oft sehr unterschiedlich ausgeprägten Grad der Nutzung

der im Datenmodell definierten Konstrukte in einzelnen Instanzdatensätzen. Nicht im-

mer sind Datensammlungen tatsächlich so komplex wie das ihnen zu Grunde liegende

Schema.

Am Ende der Projektentwicklung in den e-Humanities steht üblicherweise die Detail-

analyse. Oft ist zumindest zu Beginn dieses Stadiums der thematische Fokus und der zu

betrachtende Ausschnitt der Quellen noch nicht so genau eingegrenzt, dass eine klare

Forschungsagenda für die schrittweise Abarbeitung von Einzelbelegen nach einem fes-

ten Schema erstellt werden könnte. Abweichend zu [

Fec16

] soll hier die Exploration der

Quellen bis zuletzt als Bestandteil des Forschungsprozesses angesehen werden.

Den Ressourcen-Zugriff ab einem bestimmten Zeitpunkt hauptsächlich auf bereits be-

kannte oder durch Vorsondierung stark eingegrenzte Teilbereiche der Quellensammlung

zu beschränken, ist sicher konform mit traditionellen, forschungsfragengeleiteten Her-

angehensweisen, sollte aber durch datengetriebene Ansätze und alternative, explorative

Zugänge zu den Daten ergänzt werden. Aus dem Bereich der explorativen Suche ist be-

kannt, dass sich damit natürlich nicht unerhebliche Entwicklungsaufwände ergeben. So

heißt es etwa in [Mar06]:

Research tools critical for exploratory search success involve the creation of new in-

terfaces that move the process beyond predictable fact retrieval.

Aus der Schaffung explorativer Zugänge erwachsen jedoch nicht selten unerwartet Er-

kenntnisse über Einzelinformationen oder Zusammenhänge in den Daten, die mit ziel-

gerichteteren Verfahren (ohne Kenntnis ihrer Existenz) nicht gefunden worden wä-

ren. Dieser sogenannte Serendipitätseffekt kann eine wesentliche Rolle im Forschungs-

2.1 e-Humanities

prozess spielen. Er ist z. B. in [

BQHR12

] näher beschrieben, dort im Bezug auf Online-

Recherchewerkzeuge.

Die Recherchetätigkeit ist somit weniger als Ansammeln von Fakten, sondern als schritt-

weises Definieren von Kontexten anzusehen, innerhalb derer sich potentiell interessante

Fakten ergeben. Zur Detektion, Modellierung und Analyse dieser Kontexte kann auf

etablierte Methoden der Informatik zurückgegriffen werden. Beispielsweise haben sich

statistische Methoden zur Analyse unstrukturierter Daten, vgl. [

MS99

], im Kontext der

e-Humanities bewährt. Es werden aber verstärkt komplexere Werkzeuge benötigt, so dass

sich aus der Anwendungsdomäne heraus auch innerhalb der Informatik disziplinenüber-

schreitende Problemstellungen ergeben. Das betrifft neben der Sprachverarbeitung auch

die Forschung an Datenbanken, Datenintegration, Datenmodellierung und Wissensreprä-

sentation, Informationsvisualisierung und Big Data. In diesen Schwerpunkten ergibt sich

jeweils weiterer Forschungsbedarf sowie allgemein die Notwendigkeit eines Austauschs

der Gebiete untereinander.

Eine weitere aktuelle und in diesem Zusammenhang wichtige Entwicklung ist die ver-

stärkte explizite Betrachtung komplexerer Zusammenhänge im Forschungsprozess. Eng

gekoppelt daran ist eine Interpretation der Quellen und Forschungsobjekte in Form von

Netzwerken. Diese Herangehensweise wird später in diesem Kapitel noch ausführlicher

vorgestellt. Werkzeuge, die einen interaktiven und visuellen Zugang zu (kleinen und

mittelgroßen) Netzwerken bieten, werden in den e-Humanities immer populärer, allen

voran Gephi [

BHJ09

]. Dadurch ist ein sehr intuitiver Umgang mit Netzwerken möglich.

Dieser Umstand blendet jedoch möglicherweise aus, dass bisher nur wenige Arbeiten

zu grundlegenden Aspekten der Datenmodellierung und Formalisierung für die Arbeit

mit Netzwerken kultureller Artefakte und geistes- wie auch sozialwissenschaftlicher

Forschungsgegenstände existieren.

2.1.3 Forschungsressourcen und -infrastrukturen

Wie bereits in der Einleitung angeklungen ist, kann Forschung im Kontext der e-Huma-

nities nur selten als solitäre Aktivität einzelner Akteure durchgeführt werden. Größere

Projekte, aber auch individuelle Forschungstätigkeit, werden Teil eines allgemeineren

Forschungsprozesses, der innerhalb einer Forschungscommunity stattfindet – wobei die

traditionellen, nicht auf Kollaboration ausgerichteten Forschungstätigkeiten dadurch

nicht ersetzt, aber um viele perspektiverweiternde Möglichkeiten und digitale Werkzeuge

Kapitel 2 Forschungskontext und relevante Technologien

ergänzt und damit unterstützt werden.

Aus Sicht der Wissenschaftsförderung ist diese Tendenz eine willkommene Entwicklung,

wird darin doch die Möglichkeit zur Synergiebildung und Vermeidung von Mehrfach-

aufwendungen für gleiche Arbeiten gesehen. Gerade für die grundlegenden Digitalisie-

rungsprozesse und die daraus resultierenden Datenbestände wird eine breite Nutzung in

verschiedensten Fachkontexten angestrebt. Das umfasst insbesondere auch die gleichzei-

tige Nutzung von Daten aus mehreren Digitalisierungsinitiativen und Datenrepositorien.

Nach den „DFG-Praxisregeln“ ist das Ziel systematischer Digitalisierung „[...] nicht nur

das Bereitstellen, sondern auch und vor allem das Vernetzen der unterschiedlichen

Ressourcen zu einer virtuellen Forschungsinfrastruktur.“ [DFG13]

Bei der Vielzahl der verfügbaren, meist verteilt erstellten Ressourcen fällt es im For-

schungsprozess oft schwer, einen umfassenden Überblick über relevantes Material zu

erhalten. Damit durch die Ressourcen auch tatsächlich Mehrwerte für die Forschung ent-

stehen können, müssen sie zuallererst gut auffindbar vorgehalten werden. Verschlagwor-

tung, Kategorisierung und die Erstellung von Beschreibungstexten bilden dabei wichtige

Zugangsmechanismen. Darüber hinaus wird es auch immer wichtiger, inhaltliche Verbin-

dungen zwischen Ressourcen und zu Forschungsgegenständen (Personen, Institutionen,

Epochen, Genres, etc.) nachvollziehbar und für das Auffinden der Ressource nutzbar zu

machen.

Um diesen Anforderungen gerechtwerdenzu können,istbeim Umgang mit Forschungsres-

sourcen und insbesondere bei ihrer Bereitstellung innerhalb von Forschungsinfrastruktu-

ren die Verwaltung von Metadaten eine wesentliche Schlüsselaufgabe. Dabei gilt es, eine

große Bandbreite an Aspekten zu erfassen, die irgendwann im Recherche-, Auswertungs-

oder Interpretationsprozess relevant werden könnten. Neben selbstverständlichen Anga-

ben, wie dem Autor eines Werks, der Sprache eines Textes oder dem Material eines Objekts,

kommen je nach Anwendungsfall viele weitere Informationen in Betracht, wie die wis-

senschaftliche Datierung, frühere Katalogisierungsnummern, Provenienzinformationen

und ggf. Erwerbungshistorie, Angaben zur Dokumentation des Digitalisierungsvorgangs,

Lizenzinformationen für die Verbreitung usw.

Als eine erste Erschließungsstufe auf dem Weg zur Forschungsinfrastruktur können in

dieser Beziehung Portale für die Vernetzung von Sammlungen kulturellen Erbes (wie

z. B. Gemälde, Texte, museale Objekte und Fotos) angesehen werden, beispielsweise das

2.1 e-Humanities

europäische Projekt Europeana

. Mit der Deutschen Digitalen Bibliothek

existiert ein

vergleichbares deutschlandweites Projekt mit einer Schwerpunktsetzung auf textuelle

Quellen. Bei diesen Portalen handelt es sich um einen virtuellen Zusammenschluss der

Bestände vieler einzelner Institutionen. Damit dies ohne ausufernde Zusammenführungs-

aufwände vonstatten gehen kann, wird für diese (verteilten) Systeme ein gemeinsames

konzeptionelles Modell benötigt.

Für diesen Zweck hat sich das (recht allgemein gehaltene) Conceptual Reference Model

(CRM) der International Committee for Documentation of the International Council of Mu-

seums (CIDOC) etabliert, zu welchem z. B. auch „Übersetzungen“ (sogenannte

Mappings

für das Europeana-Datenmodell) existieren. Auch für die konkreten Wertebereiche für

die Beschreibung von Objekten existieren Ressourcen, etwa die Vokabulare und Thesauri

des Getty Research Institute

. Für einige Eintragstypen, wie Künstlernamen, enthält

diese Sammlung auch Normdaten – also Einträge mit Identifikationsnummer, Listen von

Benennungsvarianten und Zusatzinformationen. Für solche Normdatenrepositorien exis-

tieren ebenfalls Portale für den Zusammenschluss über Institutionsgrenzen hinweg. Im

Virtual International Authority File (VIAF) sind die gemeinsamen Normdatensätze vieler

Bibliotheken und anderer Forschungsinstitutionen zusammengefasst und verknüpft.

Eine Forschungsinfrastruktur umfasst jedoch mehr als nur vereinheitlichte Sammlun-

gen von Datenrepositorien und Referenzmodellen: Sie sind Ankerpunkt und Koordi-

nationsstelle für eine heterogene Landschaft aus Quellen, Services und Konsumenten.

Für die e-Humanties existieren auf europäischer Ebene in der Hauptsache zwei große

Infrastruktur“-Initiativen: Common Language Resources and Technologies Infrastructure

(CLARIN) und Digital Research Infrastructure for the Arts and Humanities (DARIAH).

Beide ergänzen sich in ihren Schwerpunkten und stehen auf technischer und organisato-

rischer Ebene in regem Austausch, unterstützt auch durch die europäische Initiative zur

Synergiebeförderung zwischen diesen Infrastrukturprojekten, namens Pooling Activities,

Resources and Tools for Heritage E-research Networking, Optimization and Synergies

(PARTHENOS).

Einen Einblick in das Servicekonzept einer solchen Forschungsinfrastruktur gibt z. B.

[

WAB

] mit der Vorstellung von (zu diesem Zeitpunkt bekannten) Anforderungen

an Webservices und Methoden der Prozesssteuerung in CLARIN. Damit Infrastrukturen

http://www.europeana.eu/

http://www.deutsche-digitale-bibliothek.de/

http://www.getty.edu/research/tools/vocabularies/

Kapitel 2 Forschungskontext und relevante Technologien

Einträge aus verstreuten Ressourcen und Repositorien auffinden können, existieren

Mechanismen zum

Harvesting

der relevanten Metadaten. Hierbei kommt häufig das von

der Open Archives Initiative (OAI) entwickelte und von zahlreichen Bibliotheken und

Archiven übernommene OAI Protocol for Metadata Harvesting (OAI-PMH) zum Einsatz.

Entsprechend müssen sie mit den vielen verschiedenen Modellierungsmöglichkeiten für

Metadaten und deren konkreter Semantik umgehen können – Aspekte, die später im

Buch noch mehrfach zur Sprache kommen werden.

Für die textorientierten e-Humanities ergeben sich die meisten der für die Infrastruktur-

projekte relevanten Ressourcen aus der großflächigen Digitalisierung von Manuskripten

oder Retrodigitalisierung gedruckter Werke. Daraus entstehen allgemeine oder themen-

spezifische Textsammlungen, sogenannte Korpora, wie sie beispielsweise vom Deutschen

Textarchiv

in großem Umfang angeboten werden. Andere Arten von textuellen Quellen

bilden digitale (wissenschaftliche) Texteditionen bekannter Werke, an welchen stets neu-

er Bedarf herrscht. Mit fortschreitendem Forschungsstand werden immer neue Aspekte

für die Editionen wichtig und aus der z. T. komplexen Forschungsmaterie lässt sich nur

selten eine eindeutige oder „optimale“ Empfehlung zur Editionspraxis ableiten. In [

Cle15

]

heißt es darüber hinaus:

„[...]

how a text is edited, in respect of any norms and standardisations, is a state-

ment about the nature of the text and its tradition, transmission, and history; and

such a statement may be true or false.“

Die damit verbundenen Entscheidungen und deren Implikationen sind vom Standpunkt

des Betrachters und vom konkreten Anwendungsfall abhängig. In der akademischen An-

wendungspraxis ist ein Pluralismus von diesbezüglichen Herangehensweisen durchaus er-

wünscht. Entsprechend existieren auch kleinere Infrastrukturprojekte für fachspezifische

Editionsbelange (sowie Projekte zur Korpuserstellung) – s. z. B. [

Bab11

] für die „Digitalen

Altertumswissenschaften“. Die dort entwickelten Ressourcen, Werkzeuge und anderen

Services können perspektivisch mit größeren Initiativen zusammengeschlossen werden.

In CLARIN wurden für spezifische Anwendungsfelder sogenannte Facharbeitsgruppen

eingeführt, um solche Formen der Integration zu befördern. Von diesem methodischen

Übertrag profitieren im Idealfall auch andere Anwendergruppen.

Aus den angesprochenen Digitalen Altertumswissenschaften stammt z. B. aus dem Umfeld

der Edition klassischer griechischer Texte ein spezialisierter Service und eine darauf

http://www.deutschestextarchiv.de/

2.2 Text- und Korpusrepräsentation

aufbauende Infrastruktur namens „Collections, Indices, Texts, and Extensions (CITE)“, s.

[

SW09

]. Diese definiert Canonical Text Services (CTS), in welcher Referenzierungen von

Textstellen über Webtechnologie in Form eines eindeutigen Uniform Ressource Name

(URN) möglich ist. Dieser Ansatz wird mittlerweile auch für Anwendungen außerhalb der

Altertumswissenschaften genutzt und soll perspektivisch in CLARIN integriert werden.

Aspekte, die – ganz allgemein – für die Nutzung von Textsammlungen in den e-Humanities

relevant sind, sowie die dafür derzeit verfügbaren digitale Repräsentationsformen werden

in den folgenden Abschnitten detaillierter vorgestellt.

2.2 Text- und Korpusrepräsentation

2.2.1 Charakterisierung von Forschungskorpora

Der in diesem Buch häufig verwendete Begriff des Korpus für Sammlungen von Texten

lehnt sich an die Verwendung großer Textsammlungen in der Korpuslinguistik an. Diese

zielt auf ein Verständnis der Funktionsweise von Sprachen (und Sprache an sich) über

datengeleitete Verfahren ab, wobei die Größe der genutzten Datensammlungen eine

Bearbeitung mit digitalen Mitteln erforderlich macht. In der Linguistik wurden bereits

seit den späten 1950ern zahlreiche Berührungspunkte mit der diskreten Mathematik und

der Informatik identifiziert und genutzt, etwa im Bereich formaler Grammatiken

. Die

Korpuslinguistik, die seit den 1990er Jahren stetig an Popularität gewinnt, macht sich

solche Vorarbeiten jedoch nicht unbedingt zu eigen, sondern orientiert sich eher an der

Statistik und an von Experten gelenkter Muster-Abfrage.

Diese Auffassung des Textbestandes als Arbeitsgrundlage für quantitative Betrachtungen

der Artefakte kultureller Prozesse hat sich in den letzten Jahren verstärkt in viele Gebiete

der Geisteswissenschaften übertragen. Korpora werden heutzutage in großem Maße für

die historische, politologische oder sozialwissenschaftliche Forschung herangezogen.

Den in diesem Buch beschriebenen Arbeiten liegt ebenfalls ein solcher erweiterter und

allgemeinerer Korpusbegriff zugrunde. Er umfasst kollaborative Text-Repositorien, digita-

lisierte Bucheditionen, abgeschlossene Textkollektionen aber auch dynamisch erweiterte

Quellensammlungen.

s. z. B. [Mar98]

Kapitel 2 Forschungskontext und relevante Technologien

Hauptziel beim Zusammentragen von Dokumenten und Erstellen digitaler Forschungs-

korpora ist das Anlegen großer Sammlungen relevanter Texte, in denen aussagekräftige

statistische Untersuchungen möglich sind. Je größer ein Textbestand, umso größer die

Chance zur Abdeckung des Gesuchten. Die (quantitativ und qualitativ) passende Auswahl

von Quellen zur Beantwortung einer Forschungsfrage ist ein immer wieder unterschätz-

ter Arbeitsschritt in den e-Humanities, wie schon in [Fec16] festgestellt wird. Auch hier

können Lehren aus der Korpuslinguistik übernommen werden. Sehr plakativ wird die-

ser Umstand z. B. in [

MH12

] mit dem Beispiel „

[...] there would be little point in exploring

the noun classification system of Swahili by looking in a corpus of English newspaper texts.

“ um-

schrieben.

Die Rolle von Korpora im Forschungsprozess ähnelt in den e-Humanities der im lin-

guistischen Bereich. Köhler betrachtet diese in [

Köh05

] als eine Form von „Evidenzquel-

len“ und definiert eine Vielzahl von Anforderungen an die Stichproben-Eigenschaften

linguistischer Korpora

. Die Auswahlkriterien entsprechen dem Wunsch nach einer

wahrheitsgetreuen quantitativen Auswertung von Sprachphänomenen. In den meisten

anderen Disziplinen werden Korpora auch als Evidenzquelle angesehen, wobei jedoch

nicht in jedem Fall so strenge Anforderungen an die Stichprobeneigenschaft der Korpora

gestellt werden oder gestellt werden können. In historisch arbeitenden Disziplinen wird

in der Regel zu Anfang eines Forschungsvorhabens keine künstliche Verknappung des

Quellenmaterials durchgeführt. Jede einzelne Quelle kann – auch wenn sie nicht als „re-

präsentativ“ gelten kann – Informationen enthalten, die geeignet sind, die Interpretation

des Gesamtbestandes stark zu beeinflussen. Es soll mit Korpora dort also keine Form der

quantitativen Forschung betrieben werden, die sich vordergründig auf die Beschreibung

des Regelfalls (und damit ggf. des „Offensichtlichen“) konzentriert.

Angesichts des zum Teil extrem fragmentarischen und lückenhaften Materials, auf das für

spezifische Fragestellungen zurückgegriffen werden muss, kann weder Repräsentativität

noch Vollständigkeit (in irgendeinem Sinne außer im Bezug auf die Überlieferungslage)

als realistisches Ziel für den Korpusaufbau angegeben werden. Die teils schlechte Quellen-

lage ist jedoch nur ein Aspekt der potentiellen Hemmnisse für korpusbasierte sozial- und

geisteswissenschaftliche Forschung. Ebenso schwierig gestaltet sich Forschung im Ange-

sicht unklarer Lizenzfragen oder hoher Lizenzgebühren. Offene, frei nutzbare Korpora

mit wissenschaftlichem Anspruch hinsichtlich der Daten- und Metadatenkompilation

sind nach wie vor selten.

u.a. Repräsentativität, Homogenität und Normalverteiltheit von zu untersuchenden Phänomenen

2.2 Text- und Korpusrepräsentation

Auf der Seite der Werkzeuge kann festgestellt werden, dass sich aus einer Reihe von

Spezialentwicklungen für einzelne Korpora über die Zeit generische Ansätze entwickelt

haben. Solche Korpusverwaltungssysteme konnten sich bereits in den 1990er Jahren eta-

blieren und sind bis heute im Einsatz. Auf viele Systeme kann dabei über die Corpus Query

Language (CQL), s. z. B. [

CS96

], zugegriffen werden. Damit können je nach Datenbasis so-

wohl Texte bestehend aus mehreren Zeichenketten- und Annotationsebenen ausgewertet

werden als auch die Informationen aus Dependenzgraphen in die Abfrage einbezogen

werden. Als ein häufig genutztes Werkzeug dieser Kategorie ist Sketch Engine

sowie

eine eingeschränkte, aber frei nutzbare Version davon, namens NoSketch Engine

, aufzu-

führen. In der „XML Aware Indexing and Retrieval Architecture“

werden CQL-Anfragen

in einer auf der Extensible Markup Language (XML) basierten Form verarbeitet und die

Korpora werden im XML-Format vorgehalten.

Diese Werkzeuge konzentrieren sich in den meisten Fällen auf linguistische Aspekte der

einzelnen Texte und sind daher meist auf die Ausgabe von Textstellen und damit ver-

bundene Statistiken ausgelegt. Die explorative Erschließung von Dokumentkollektionen,

wie sie in den e-Humanities im Vordergrund steht, ist damit – auch wegen unzureichen-

der Möglichkeiten, Metadaten innerhalb der Korpora zu verwalten – nicht komfortabel

möglich. Auch für Verfahren des Text Mining sind die gebotenen Schnittstellen zu den

Korpusdaten oft nicht ausreichend.

Für die Arbeit mit Korpora in den e-Humanities existieren keine umfassenden generischen

Werkzeuge, da sich die Anwendungsfälle und Vorgehensweisen oft stark unterscheiden.

In diesem Umfeld kommen oft verschiedene Ansätze zur Formalisierung der Fragestellung

zur Anwendung, welche auch unterschiedliche Anforderungen an die digitale Repräsen-

tation der Daten und an Möglichkeiten für den Zugriff darauf stellen. Die Texte sollen

nicht nur maschinenlesbar, sondern maschinenauswertbar vorgehalten werden. Das

heißt, dass darauf Verfahren zur statistischen Auswertung angewendet werden sollen,

die die Korpusexploration lenken können. Das kann die Empfehlung „ähnlicher“ Doku-

mente oder Textstellen, „ähnlicher“ Vokabeln oder „ähnlicher“ Satzstrukturen sein. Die

gewünschten Ähnlichkeiten sind dabei meist projektspezifischer Natur.

Die explorative Arbeit führt üblicherweise zu interessanten Teilproblemen der Ausgangs-

fragestellung, welche dann isoliert betrachtet werden sollen. Dafür hat sich das Anlegen

http://www.sketchengine.co.uk/

http://nlp.fi.muni.cz/trac/noske

http://sourceforge.net/projects/xaira/

Kapitel 2 Forschungskontext und relevante Technologien

sogenannter Subkorpora etabliert. Diese sind Kopien von Teilen des Originalkorpus und

beschränken sich jeweils auf fest definierte Autoren, Genres, Zeiträume oder ähnliche

aus Metadatenabfragen oder manueller Auswahl gebildete Kriterien. Subkorpora kön-

nen sehr klein und speziell sein. Auf der anderen Seite ergeben sie sich zuweilen auch

durch das Weglassen kleiner spezieller Teile und gleichen so in Größe und Aufbau stark

dem Ursprungskorpus. Es lässt sich in diesem Umfeld tatsächlich wenig Verallgemei-

nerndes zur Nutzungsweise von Dokumentkollektionen sagen. Textkorpora in den e-

Humanities enthalten zudem verschiedenste Textgattungen, und decken Material diver-

ser Forschungsfelder ab. Wenig einheitlich sind letztlich auch die in ihnen verwendeten

Sprachen und Alphabete. In den folgenden Abschnitten sollen die in diesem Zusam-

menhang relevanten Aspekte der digitalen Repräsentationsformen für textuelle Quellen

vorgestellt werden.

2.2.2 Zeichenrepräsentation

Geschriebene Sprache hat sich als Kulturtechnik erst allmählich etabliert. Lange Zeit

wurde Sprache ausschließlich gesprochen und war damit ein direktes Kommunikations-

mittel, das keinen physischen Träger besitzt und so auch keine archivierende Form der

Externalisierung von Wissen darstellt. Während zu Beginn der Schriftnutzung haupt-

sächlich genau diese langfristig bewahrende Eigenschaft der Schrift zur Dokumentation

wichtiger staatsgeschichtlicher oder religiöser Aussagen im Vordergrund stand

, eta-

blierte sich nach und nach die Nutzung von Schrift in der alltäglichen Kommunikation

und als Verwaltungswerkzeug – geschrieben auf leicht transportablen und massenweise

verfügbaren Trägermedien.

Über viele Kulturen und Sprachen hinweg hat sich der Prozess der Verschriftlichung über

die Jahrhunderte und Jahrtausende ganz unterschiedlich vollzogen und so existieren

in der Folge auch sehr unterschiedliche Systeme der Nutzung von Schriftzeichen. Im

Wesentlichen lassen sich zwei Schriftsysteme unterscheiden: In der Logographie weist

jedes Zeichen eine gesonderte Bedeutung auf, die sich mit der anderer Zeichen zu kom-

plexeren Bedeutungen kombinieren lässt. In der Phonographie dagegen besitzen die

Zeichen lautliche Werte, die so in Sequenzen kombiniert werden können, dass sie (mehr

oder weniger direkt) den Lauten gesprochener Wörter entsprechen. Phonographische

Systeme kommen dabei in der Regel mit einem deutlich geringeren Zeichenvorrat aus.

wozu Schriftzeichen sprichwörtlich „in Stein gemeißelt“ wurden

2.2 Text- und Korpusrepräsentation

Weitergehende Erläuterungen zur Historie und feingranulareren Systematisierung von

Schriftsystemen und Schriftzeichen als deren Basis können z. B. in [Haa01] nachgelesen

werden. Dort findet sich auch ein für die Verarbeitung von Texten wichtiger Hinweis:

„Schriftsysteme operieren nach eigenen Prinzipien, die in partieller, aber nicht vollstän-

diger Wechselbeziehung zu sprachlichen Strukturen stehen.“

Dieser Überblick deutet bereits auf einige Herausforderungen für die diskrete Repräsen-

tation von geschriebener Sprache hin. Sollen Schriftzeichen, die auf physischen Medien

abgetragen sind, digital repräsentiert werden, so wird für sie die Zuweisung zu einem

konkreten numerischen Code notwendig. Dieser muss allen Kommunikationspartnern

bekannt sein, ebenso wie die genaue Form, Bedeutung und somit „Identität“ des dadurch

repräsentierten Zeichens. Für die Codierung eines Schriftsystems ist daher die Auflösung

von graphisch existierenden Mehrdeutigkeiten sowie eine Idealisierung von Symbolen

als Zusammenfassung hinreichend ähnlicher stilistischer Varianten notwendig, um einen

diskreten Satz von Zeichen festzulegen.

In der Anfangszeit der elektronischen Datenverarbeitung wurden Daten auf Lochkarten

gespeichert, wie im Exkurs zu den Wurzeln des

Humanities Computing

bereits erwähnt

wurde. Entsprechend des vorrangigen Einsatzgebiets im nordamerikanischen Raum ha-

ben sich zuerst Zeichensätze für das Lateinische Alphabet herausgebildet, wobei anfangs

zunächst keine Unterscheidung in Groß- und Kleinschreibung vorgenommen wurde.

Das Hinzufügen von weiteren Zeichen zum präferierten Zeichensatz ließ Formate mit

sieben Bit langer Kodierung (und damit 128 unterscheidbaren Zuständen) entstehen, bis

später eine Repräsentation mit acht Bit (also genau einem Byte) genutzt wurde. Die damit

abgedeckten Zahlen waren über verschiedene Codetabellen dann konkreten Alphabeten

zugeordnet. Die Angabe der Codetabelle war dabei nicht Bestandteil des Textinhalts und

somit in den meisten Fällen nicht eindeutig aus dem Inhalt ersichtlich.

Erst zu Beginn der 1990er Jahre wurde mit Unicode ein System für das Encoding aller er-

denklichen Alphabete und Schriftzeichen in einer gemeinsamen Codetabelle eingeführt.

Dabei wurde ein universellerer Ansatz der Repräsentation von der Graphemen und Gra-

phemgruppen, welche als Buchstaben verstanden werden, genutzt. Basis der Kodierung

ist eine konzeptionelle Trennung in Glyphen (

glyphs

), Zeichen (

characters

) und abstrakte

Zeichen (

abstract character

). Ein Überblick über die teils recht komplexe Kategorisierung

und die damit verbundene Nomenklatur findet sich im „Glossary of Unicode Terms“

http://unicode.org/glossary/

Kapitel 2 Forschungskontext und relevante Technologien

Mit dem Unicode Transformation Format (UTF) wurde eine Familie von konkreten Binär-

kodierungen für die Codepunkte von Unicode-Zeichen eingeführt, die teils eine variable

Bytelänge aufweisen und dennoch in Sequenz geschrieben und eindeutig ausgelesen

werden können. Für die Speicherung einzelner Zeichen werden dabei bis zu 32 Bit ver-

wendet. Übliche Varianten von Buchstaben, die meist durch das Hinzufügen sogenannter

„Diakritischer Zeichen“ entstehen, können oft als Einzelzeichen, daneben aber auch

stets als sequenzielle Kombination aus einer Basisglyphe und dem Zusatzzeichen kodiert

werden. Für diese Fälle enthält Unicode vier Normalformen, wovon die wichtigsten die

Normalization Form Canonical Composition (NFC) und die Normalization Form Cano-

nical Decomposition (NFD) sind. Beide sind „kanonisch äquivalent“

, stehen also trotz

unterschiedlicher bitweiser Darstellung auf logischer Ebene für die selben Zeichen und

sollten bei Zeichenkettenvergleichen (auf dieser Ebene) als identisch gewertet werden.

Darüber hinaus ergibt sich durch die binäre Speicherung und die diskrete Kodierung, dass

Zeichenähnlichkeit sich nicht aus numerischer Ähnlichkeit der Repräsentation ableiten

lässt. Auch in uneindeutigen Fällen muss jedoch eine der Kodierungsvarianten ausgewählt

werden, weshalb z. B. die Suche nach Wörtern mit einem speziellen Zeichen in beliebiger

Variante, die jeweils anderen nicht einschließt. In Abschnitt 3.6 auf Seite 91 wird die damit

verbundene Problematik der Normalisierung noch ausführlicher dargelegt. Insbesondere

zeitliche Aspekte und die damit verbundene Evolution von Schrift erzeugt uneindeutige

Situationen bezüglich Form und Verwendung einzelner Zeichen. Dabei können in der

Zeichentabelle immer nur klar abgrenzbare Verwendungskontexte einfangen werden.

Die Entwicklung des römischen V zum gerundeten U, deren Doppelung zum W, dessen

Transformation zum diakritischen hochgestellten Kleinbuchstaben

etc. sind in genau

diesen festen Stufen abbildbar – nicht jedoch ihr Kontinuum von Zwischenschritten. Das

Beispiel ist aus „

Unicode Explained

“ [

Kor06

] entlehnt, wobei die Problematik universeller

ist und z. B. auch analog für Ligaturen und daraus entstehende Buchstaben, wie das ß

oder veraltete Buchstabenvarianten, wie ſ (das lange „s“ im Deutschen) umfasst.

Vor der Standardisierung von Unicode wurden für die Eingabe und Speicherung von

Texten in nicht-lateinischen Alphabeten zum Teil auch nicht-standardisierte Hilfskons-

trukte geschaffen. Ein Beispiel ist die Verwendung von sogenanntem Betacode, einer

systematischen Umdeutung lateinischer Zeichen zur „sekundären“ Kodierung antiker

griechischer Texte: „Κάδµος“ wird darin z. B. als „

ka/dmos“ abgebildet.

siehe auch http://unicode.org/reports/tr15/

2.2 Text- und Korpusrepräsentation

Während für diese Problematik mit Unicode eine umfassende und saubere Lösung ge-

schaffen wurde (die jedoch eine komplette Neukodierung erfordert), enthält Unicode

andererseits noch viele Relikte aus früheren Zeichentabellen, mit z. T. recht kurioser

Bedeutung. An prominenter Codeposition Nummer Sieben findet sich z. B. ein Sonder-

zeichen namens „Bell“, das für eine akustische Meldung (Glockenschlag) anstatt eines

lesbaren, gedruckten Zeichens steht – eine Praxis, die bis in die Zeit der Fernschreiber

zurückreicht. Auch weitere funktionale Codepunkte regeln Ausgabemodalitäten, so et-

wa der Wagenrücklauf und der Zeilenumbruch, die (neben Leerzeichen) Funktionen

für die Strukturierung von Text haben. Diese Strukturbildung als wichtiger Aspekt der

Textrepräsentation soll im Folgenden noch eingehender untersucht werden.

2.2.3 Repräsentation der Struktur von Text

In diesem Buch werden Texte als Analyseeinheiten angesehen, welche aus diskret be-

schreibbaren Einzelteilen bestehen, die selbst wiederum als Analyseeinheiten dienen

können. Mit dieser Sichtweise wird ein eher technisches Modell von Text entwickelt,

um Methoden der Informatik auf Texte anwenden zu können. Natürlich umfasst der

Textbegriff viele weitere Ebenen, welche als Lesarten (

Readings

) und tiefer greifende In-

terpretationen bei einer manuellen Analyse zum Ausdruck gebracht werden können. Für

die Erfassung von Texten in digitalen Systemen bedarf es jedoch einfacher und präziser

Beschreibungen, die dabei möglichst wenige Grundannahmen enthalten sollten.

Der Inhalt von Texten ergibt sich über die Abfolge von einzelnen Schriftzeichen und

Leerstellen. Über diese können in vielen Sprachen Wörter als sinntragende Einheiten

gebildet werden, welche ggf. noch von Interpunktion umgeben sind. Darüber können (je

nach Verwendungsmuster der Schriftsprache) noch größere Sequenz-Abschnitte, wie

Sätze, abgegrenzt und so direkt oder mittelbar aus der Einzelzeichenfolge abgeleitet

werden.

Die Sprache selbst besitzt eine komplexe, teils durchaus mehrdeutige Struktur, die Pro-

dukt der kulturellen Entwicklung der Menschheit sowie der Historie einzelner Spre-

chergruppen ist und die seit der Antike Untersuchungsgegenstand der „Grammatik“ ist.

Heute betreibt die Linguistik vielschichtige und nicht immer zueinander kompatible

Forschungen zu den Strukturen von Sprache. Die Abbildung solcher Strukturen wird

im Abschnitt 2.2.6 auf Seite 45 bei der Beschreibung von Annotationen vertieft. Hier

soll zunächst nur die zusätzliche Strukturierung innerhalb von Texten (als linearisierte

Kapitel 2 Forschungskontext und relevante Technologien

Form von Sprache) betrachtet werden, welche sich als „beabsichtigte“ Strukturierung

(vgl. „

Intentional Structure

“ in [

GMPM13

]) auffassen lässt. Diese tritt im Wesentlichen als

Abschnittsbildung der oben beschriebenen Sequenzen hervor.

In Sequenzen existieren lokale Kontexte: Zeichen folgen auf andere Zeichen und Wörter

befinden sich in der Nachbarschaft anderer Wörter. Sätze stehen im Kontext vorheriger

(und nachfolgender) Sätze. Die Bildung größerer Einheiten (Zeichen, Wort, Satz, Absatz,

Kapitel, etc.) hat jeweils den Zweck, die natürlichen lokalen Kontexte an geeigneter Stelle

absichtlich zu unterbrechen.

Die Entscheidung über solche Trennungen inhaltlich schwächer zusammenhängender

Teile ist auf den kleinteiligeren Ebenen stark sprachabhängig. Zum Beispiel ist die Tren-

nung von Mehrwortbegriffen (

Multiword Units

) im Englischen gängige Praxis und im

Deutschen eher die Ausnahme. Auch die Untergliederung von Wortfolgen in Sätze ist

nicht beliebig möglich, sondern in großem Maße den Strukturen der Sprache geschuldet.

Auf höherer Ebene können Abschnittsbildungen als Strukturierungsmittel jedoch im

Wesentlichen frei verwendet werden. Konkret können inhaltliche Gründe oder stilistische

Entscheidungen für die Untergliederung sprechen. Jedoch sind oft auch die Limitierun-

gen und Eigenheiten des physischen (oder digitalen) Mediums ausschlaggebend für eine

Untergliederung von Texten – das Platzangebot auf den Seiten eines Buches, das Format

von Karteikarten oder Formularvordrucken, die symmetrisch zu beschriftenden Seiten

des Sockels einer Statue, die Prägeflächen von Münzen, zeichenzahlbeschränkte Kurz-

mitteilungen und noch vieles mehr. Oft ist ein Zusammenspiel von „logischen“ als auch

„physischen“ Aspekten für die Untergliederung von Text verantwortlich.

Unterschiedliche Textgattungen bringen zum Teil ihre eigenen Strukturmerkmale mit,

wie z. B. Verse (ggf. mit Zäsuren) und Strophen. Größere Texte erfordern oft eine ge-

schachtelte Untergliederung in thematische Abschnitte, wie Kapitel und Unterkapitel.

Noch größere Textwerke sprengen die Limitationen von Trägermedien, so dass etwa

mehrbändige Buchveröffentlichungen entstehen. In [

RMD96

] werden weitere Beispiele

für solche Strukturelemente unter der Bezeichnung text objects gegeben.

Sequenztrennungen unterschiedlicher Stärke markieren die Grenzen unterschiedlicher

Hierarchiestufen der Strkturelemente. Dadurch entstehen Gruppierungseffekte für die

Stede und Suriyawongkul beschreiben in [

SS09

] neben der Logical Structure noch die sogenannte Content

Structure, durch welche der „Kommunikative Zweck“ des Textes transportiert wird. Diese Form der

Textstruktur als Ergebnis inhaltlicher Analysen wird im Kontext dieses Buches eher als eine Form

von Annotation angesehen und daher an dieser Stelle nicht detaillierter besprochen.

2.2 Text- und Korpusrepräsentation

Zuordnung kleinerer zu größeren Einheiten und alle diese zusätzlichen Ebenen tragen

ein Stück zur Auflösung der (z. T. mediengeschuldeten) Linearität des Textflusses bei. Das

Verständnis von Text als Mischung von Inhalten und Strukturinformationen ist wichtig

bei der diskreten Repräsentation in digitalen Systemen. Sie führt nicht zuletzt auch

Einheiten ein, auf die in der externen Kommunikation über den Text verwiesen werden

kann.

Unter Berücksichtigung dieser Vorüberlegungen ist klar, dass über die im letzten Ab-

schnitt vorgestellte Zeichenrepräsentation hinausgehend umfangreiche Methoden zur

maschinenlesbaren Repräsentation der Strukturen von Texten geschaffen werden müs-

sen, um sie für wissenschaftliche Analysen adäquat abzuspeichern.

Im Jahr 1990 untersuchten DeRose und Kollegen die Frage „

What is Text really?

“ [

DDMR90

]

und erstellten dabei das bis dahin fortschrittlichste Textrepräsentations-Modell, welches

Text als „Ordered Hierarchy of Content Objects (OHCO)“ auffasst. Dabei nutzen sie die

Modellierungsparadigmen der (sich damals noch in intensiver Entwicklung befindlichen)

Standard Generalized Markup Language (SGML). Die technische Umsetzung von Text-

strukturierung über die Auszeichnung des rohen Fließtextes (das sogenannte

Markup

)

mit einem hierarchischen Tag-System ist nach wie vor übliche Praxis. Das damit verbun-

dene Verständnis von Text als schriftlichen Inhalten in Zeichenkettenform, welche eine

singuläre Hierarchie und eine festgelegte lineare Reihenfolge besitzen, ist bis heute eine

populäre Vorstellung. Daran hat auch die bereits zwei Jahre nach dem Verfassen des oben

genannten Artikels in [RMD96] vorgenommene Neubewertung des gewählten Modellie-

rungskonzepts nichts geändert. Diese war unter dem Eindruck aufkommender Zweifel,

insbesondere bezüglich der mangelnden Eignung des OHCO-Modells für den Umgang mit

überlappenden Hierarchien notwendig geworden. Neben dem Aufzeigen von Gegenbei-

spielen, bei denen unifizierte Hierarchien nicht als geeignete Struktur-Repräsentation

gelten können, wird dort auch noch viel grundsätzlicher dagegen argumentiert, dass sich

eine umfassende, mehrere „Perspektiven“ (und damit Hierarchien) umfassende Struktu-

rierung überhaupt in geeigneter Weise in eine OHCO umformen lässt (decomposition).

Während dieser Umstand noch vor einiger Zeit als praktisch weniger relevant eingestuft

wurde (z. B. in [

Wit04

] für Anwendungen der Linguistischen Informationsmodellierung

kann er heute angesichts des Wunsches, immer mehr Annotationsebenen und Struktu-

rierungsvarianten gleichzeitig digital abzubilden, nicht mehr ignoriert werden. Bereits

„In der Praxis ergeben sich durch diese Restriktion relativ selten Probleme, da verschiedene Strukturen häufig in

einer Hierarchie repräsentiert werden können.“

Kapitel 2 Forschungskontext und relevante Technologien

2010 schrieb Schmidt in [

Sch10

] unmissverständlich: „

Overlap is a serious problem in the

encoding of cultural heritage texts“

Hieraus wird auch deutlich, dass keine zwei Perspektiven auf die Kodierung von Textstruk-

tur einander gleichen. Soll der Pluralismus von Strukturierungsansätzen für konkrete

Anwendungsfälle bei der Schaffung allgemeingültiger Textmodelle berücksichtigt wer-

den, erfordert dies einen intensiven inhaltlichen Austausch in der Forschungscommunity.

Diese Aufgabe wird seit den 1980er Jahren von der Text Encoding Initiative (TEI) übernom-

men. Das Gremium entwickelt das gleichnamige Auszeichnungsmodell für die Kodierung

von Textquellen. In [

Bur14

] wird die TEI zurecht als „

one of the longest-lived and most influ-

ential projects in the field now known as the Digital Humanities“ beschrieben.

Die aktuellen „TEI Gudelines P5 2.0“, s. [

TEIP5

], umfassen 1636 Seiten, auf denen die

verschiedensten Überlegungen und Probleme dokumentiert sind, die im Kontext der

Abbildung von textuellem Quellenmaterial für den Einsatz in den e-Humanities relevant

sind. Für eine Vielzahl an Editions-Methoden und -Szenarien wird ein Schema für die

Erzeugung von TEI-Dokumenten in XML, angegeben

. Es wird also gewissermaßen ein

Vokabular und die Grammatik vorgegeben, mit denen sich um maschinenlesbares Markup

ergänzte Texte erfassen und verarbeiten lassen.

Angesichts des großen Umfangs des TEI-Standards mit unzähligen nicht standardisierten

Kombinationsvarianten von Markup für die Modellierung von Sonderfällen wurden zahl-

reiche, „handlichere“ und strengere Unterformate erstellt. Das vom Deutschen Textarchiv

konzipierte Basisformat

, das vom Institut für deutsche Sprache entwickelte und mit TEI-

Entwicklungen synchronisierte Textmodell

, aber auch das von der TEI selbst entwickelte

TEI-Simple

versuchen, eine Ausgangsbasis für einheitliche TEI-konforme Dokumente

zu schaffen.

Als ganz ähnlich zu TEI ist die im CTS vertretene Auffassung der Struktur von Text als

Hierarchie zitierbarer Einheiten anzusehen, die im Wesentlichen auch der OHCO folgt.

Für kanonischen Text ist diese Sichtweise unbedenklich, da sie genau die Wissenschafts-

kultur widerspiegelt, in der eine Primärhierarchie herausgegriffen und als Zugangsform

festgelegt wird. Diese kann auch als Grundlage für Editionen verwendet werden und

gewährleistet die Möglichkeit zur standardisierten Referenzierung von Einheiten.

Frühere TEI-Versionen nutzen noch die SGML.

http://www.deutschestextarchiv.de/doku/basisformat

http://www1.ids-mannheim.de/kl/projekte/korpora/textmodell.html

http://github.com/TEIC/TEI-Simple

2.2 Text- und Korpusrepräsentation

Für andere, allgemeinere Anwendungsfälle häuft sich aber – wie bereits erwähnt – spätes-

tens ab der Jahrtausendwende die Kritik an der Textrepräsentation als OHCO. Grundsätz-

licher Konsens ist, dass die digitale Textrepräsentation das Vorhandensein eines Modells

voraussetzt, wie z. B. Buzzetti in [Buz02] schreibt:

In and of itself, every representation and, consequently, every form of text represen-

tation entails the implicit or explicit assumption of a model, at least if we accept the

postulate that the "map is not the territory".

Zur Definition eines adäquaten Modells für Text wird eine geeignete Abstraktionsstufe

benötigt, welches die Defizite der OHCO-Sichtweise ausgleicht. Dafür wurde allerdings

bis heute keine allgemeingültige Lösung gefunden.

In [

Bra05

] wird die Ergänzung von hierarchischen XML-basierten Textrepräsentatio-

nen um nicht-hierarchische Elemente vorgeschlagen, wobei die damit eingeführten

Verknüpfungen und Querverweise stets als Modellierungskonstrukte „zweiter Klasse“

angesehen werden müssen, die über Standardwerkzeuge im XML-Umfeld nur unbefriedi-

gend genutzt werden können. Daher gibt die gewählte Primärhierarchie immer noch die

dominierende Modellierungs- und Analyse-Sichtweise vor. Auch die in Abschnitt 2.2.6

auf Seite 43 näher vorgestellten Methoden zur Annotation von Texten können grund-

sätzlich für Strukturauszeichnungen verwendet werden – in der Praxis ist dies jedoch

ebenfalls mit Problemen und fehlender Werkzeugunterstützung verbunden, so dass diese

Repräsentationsmöglichkeit selten genutzt wird.

Auchandere Formen der Verknüpfungvon Strukurelementen wurden untersucht.HyTime

z. B. arbeitet mit Hyperreferenzen und verfügt laut Selbstbeschreibung über „very effec-

tive constructs to support the basic hierarchical component structure of most documents

“ [

DD94

Allerdings handelt es sich auch hierbei um ein frühes, SGML-basiertes Format ohne nen-

nenswerte Werkzeugunterstützung. Generell soll zur Fokussierung des in diesem Buch

beschriebenen Textmodells eine Abgrenzung gegenüber Hypertexten stattfinden. Hy-

pertextualität – in schwacher Form wie bei Webseiten genutzt, bis hin zu ausgeklügelten

Kozepten, wie beim Project Xanadu

– ist typischerweise (noch) kein breiter Forschungs-

gegenstand der e-Humanities. Zudem wurden moderne Formen von Hypertext beispiels-

weise in [Meh09] bereits mit graphbasierten Modellen beschrieben.

http://www.xanadu.net/

– ein seit 1960 laufendes Projekt mit der Vision von Dokumenten, die Teile

anderer Dokumente „virtuell“ enthalten können, inklusive einer Verbreitungs-, Lizensierungs- und

Abrechnungsinfrastruktur, vgl. [Nel93]

Kapitel 2 Forschungskontext und relevante Technologien

Die digitale Text- und Strukturrepräsentation dient, wie am Beispiel der TEI gezeigt,

als explizites konzeptionelles Modell, aber auch als Speicherformat. In den weiteren

Ausführungen werden solche Formen der technischen Textrepräsentation ausgeklam-

mert, die kein allgemeineres Modell von Text beinhalten, etwa Strukturen wie Text-

Buffer

von Editoren zum effizienten interaktiven Editieren und Transformieren von Zeichen-

ketten. Dagegen besitzen die ebenfalls eher technischen Ansätze in der automatischen

Textanalyse, wie beschrieben, sehr große Relevanz für die beschriebenen Arbeiten. Die

dort üblichen Repräsentationsformen werden daher gesondert im folgenden Abschnitt

vorgestellt.

2.2.4 Textrepräsentation im Text Mining

Die digitale Textrepräsentation kann vielfältig geschehen und wird meist aufgabenorien-

tiert festgelegt. In den informatiknahen Bereichen der e-Humanities steht die maschinelle

Auswertung der Texte im Vordergrund: Das

Text Mining

stellt Werkzeuge für die Extrak-

tion relevanter sachlicher und inhaltlicher Zusammenhänge aus digital vorliegenden

Texten bereit, vgl. [

HQW08

]. Bei Texten handelt es sich (aus dieser Sichtweise betrachtet)

im Grunde um unstrukturierte Daten, auf die statistische und regelbasierte Verfahren

angewendet werden. Es handelt sich allerdings um eine spezielle Form des

Data Mining

, bei

welchem die Besonderheiten natürlicher Sprache sowie heterogener und unstrukturier-

ter Quellen berücksichtigt werden müssen. Es bewegt sich damit im Forschungsbereich

des Natural Language Processing (NLP), also der automatischen Sprachverarbeitung.

Computerlinguistische Forschung wird dabei nicht primär betrieben, wobei einzelne

Ergebnisse oder digitale Werkzeuge aus diesem Forschungsbereich bei entsprechender

Eignung durchaus in Text-Mining-Verfahren einfließen können.

Im Text Mining werden die in persistierter Form vorliegenden Daten üblicherweise trans-

formiert und in einen anderen Verarbeitungs-Zustand überführt, bevor die eigentlichen

Verfahren und Analysen zur Anwendung kommen. Übliche Schritte sind die Untertei-

lung und Diskretisierung der Zeichensequenzen in untersuchungswürdige Einheiten.

Oft wird für diese aus Effizienzgründen eine (meist fortlaufende) numerische

Feature

-ID

vergeben und damit von der buchstabengetreuen Repräsentationsform abstrahiert. Über

die zu untersuchenden Analyseeinheiten werden dann häufig Matrizen gebildet, die das

Vorkommen innerhalb größerer Einheiten ausdrücken. Dabei kann es sich um Struktur-

elemente mit logischer Entsprechung (wie im vorigen Abschnitt beschrieben) handeln,

2.2 Text- und Korpusrepräsentation

aber auch um rein künstlich segmentierte Einheiten, wie „Buchstaben-

-gramme“

, die

statistisch erfasst werden sollen.

Als theoretische Basis und methodischer Ausgangspunkt für die Analyse der Bedeutung

von Wörtern (bzw. Wortbestandteilen) über Methoden der Statistik wird meist die Vor-

stellung von einer „Distributionellen Semantik“ genannt. Diese geht auf Überlegungen

von Ferdinand de Saussure aus dem frühen 20. Jahrhundert zurück, die dem sogenann-

ten Strukturalismus – einer Strömung in der Linguistik – zugerechnet werden.

Die

Bedeutung von Wörtern hängt demnach wesentlich von den Kontexten ab, in denen es

verwendet wird – und somit auch von den Bedeutungen (und Kontexten) der gemeinsam

mit ihnen auftretenden Wörtern.

Zur Bedeutungsanalyse werden daher oft kookkurrenzbasierte Verfahren herangezogen,

die gemeinsames Auftreten von Wörtern in irgend geeigneter Form quantifizieren (und

dabei meist eine Art statistischer Signifikanz erfordern). Auch Verfahren, die Wörter

nach ihren Kontexten gruppieren, leiten sich direkt aus diesen Überlegungen ab. Durch

diskrete Untersuchungseinheit der Wörter kann – wenn man diese als unabhängige

Dimensionen betrachtet – ein Vektorraum aufgespannt werden. Ein detaillierter und sehr

informativer Überblick über die so formulierbaren

Vector-Space

-Modelle wird in [

TP10

]

gegeben

Wird die Vektorrepräsentation von Wörtern für alle Kontexte gesondert vorgenommen,

ergibt sich eine Matrix, deren einzelne Werte das Vorkommen des jeweiligen Wortes

im jeweiligen Kontext anzeigen. Automatische Analysen der Wortbedeutung versuchen

oft, eine kondensierte Kontextrepräsentation zu finden, aus der sich die Originalmatrix

in möglichst ähnlicher Form rekonstruieren lässt, wobei verschiedene Formen der Di-

mensionsreduktion zum Einsatz kommen. Generell werden im Text Mining Verfahren

aus verschiedensten Bereichen angewendet, wie der linearen Algebra, der statistischen

Approximation, den künstlichen neuronalen Netzen oder der Optimierungsprobleme.

Aktuell gilt einiges Forschungsinteresse den Arbeiten zu sogenannten

Word Embeddings

Deren Entwicklung kann in [

Sah15

] detailliert nachgelesen werden. In diesem Artikel

werden insbesondere auch die konzeptionellen Beiträge von einigen Wegbereitern des

Text Mining, wie Zellig Harris, John Rupert Firth und Ludwig Wittgenstein, angesprochen.

-gramme sind Teilsequenzen der Länge

– Buchstaben-

-gramme sind also alle Teilzeichenketten,

die aus n nacheinander in der Originalzeichenkette auftretenden Buchstaben gebildet sind.

Diese eine Einschätzung wird mittlerweile z. T. auch hinterfragt, wie etwa in [Jäg07].

Wobei die dort geäußerte alleinige Zuschreibung der grundlegenden Idee zu Gerard Salton von anderen

Autoren bezweifelt wird, vgl. [Dub04].

Kapitel 2 Forschungskontext und relevante Technologien

Diese hier umfassend nachzuzeichnen, würde den Rahmen des Buches jedoch sprengen.

Beim Erfassen von Kontexten wird häufig der sogenannte

Bag-of-Words

-Ansatz gewählt,

der innerhalb der Kontexte reine Frequenzen (also Anzahlen) betrachtet und dabei die

Reihenfolge von Wörtern ignoriert. Um die syntaktische (speziell nach de Saussure „syn-

tagmatische“) Struktur der Texte dennoch berücksichtigen zu können, geschieht neben

der Betrachtung von Wörtern teils auch eine Bildung von Wort-

-Grammen. Auch ei-

gene Repräsentationsformen für gleichzeitige Abbildung von Wortbedeutung und Rei-

henfolgeinformationen ist möglich, wie z. B. in [

JM07

] durch ein „zusammengesetztes

holographisches Lexikon“.

Inhaltsbestimmung, Ähnlichkeitsbestimmung und Gruppierung von Dokumenten sind

eng miteinander verwandt. Die oben angesprochene Dimensionsreduktion des Auftretens

von Wörtern in Kontexten kann auch genutzt werden, um die Kontexte zu vergleichen,

wobei Dokumente (wenn sie in einer homogenen Kollektion vorliegen) natürlich ge-

eignete Kontexte für die Analyse darstellen. Entsprechend haben sich mit dem

Latent

Semantic Indexing

(bzw.

Latent Semantic Analysis

) [

DDL

], dessen probabilistischer Vari-

ante [

Hof99

] und den auf bayesscher Statistik beruhenden Topic Models – allen voran der

„

Latent Dirichlet Allocation

“ [

BNJ03

] – Verfahren entwickelt, die die Zusammensetzung von

Dokumenten aus (wenigen) latenten „Bedeutungsclustern“ von Wörtern postulieren und

diese aus Daten errechnen. Für Aufgaben des

Information Retrieval

, also des Auffindens re-

levanter Dokumente angesichts eines Informationsbedürfnisses liefert diese kondensierte

Repräsentationsform eine geeignete zusätzliche Entscheidungshilfe. Die klassischen For-

men der Textrepräsentation im Information Retrieval sowie Formen der Indizierung von

Dokumenten in Kollektionen werden noch eingehender in Abschnitt 3.7.1 auf Seite 95

beschrieben. Eine Abgrenzung zu erweiterten „Dokument“-Begriffen wird im folgenden

Abschnitt vorgenommen.

2.2.5 Dokumentrepräsentation

Als Dokumente werden üblicherweise Einheiten textueller Inhalte bezeichnet, die oft

in weitestgehend statischer Form vorgehalten werden. Klassische Dokumente sind auf

physischen Trägern festgehaltene Texte, die dort in visueller Form mitsamt ihrer Struktur

ablesbar sind, wozu das Verständnis des gewählten Layouts (z. B. zweispaltige Artikel mit

eingerückten Zitaten) erforderlich ist. Digitale Dokumente sind Sammlungen von Einzel-

informationen, aus denen sich bei Bedarf ein (elektronisch angezeigtes oder gedrucktes)

2.2 Text- und Korpusrepräsentation

Dokument ableiten lässt. Welche Prozesse an dieser Ableitung beteiligt sind und wie

explizit das Dokument Informationen über die spätere visuelle Dokumentenerscheinung

enthält, ist dabei sehr stark von Technologie und dem jeweiligen Einzelfall abhängig.

Bei E-Books liegt der Fokus neben dem reinen Text zusätzlich auch auf der Repräsentation

der Textstruktur und der dokumentbegleitenden Metadaten. Die konkrete Anzeige richtet

sich jedoch in der Hauptsache nach den Einstellungen und (physischen) Eigenschaften des

E-Book-Readers, wie präferierter Schriftart, Displaygröße oder der Bildschirmausrichtung

bei tragbaren Endgeräten. In dieser Hinsicht sind E-Books vergleichbar mit Dokumenten,

die in der im World Wide Web (WWW) verwendeten Hypertext Markup Language (HTML)

verfasst sind. Diese unterstützt Querverweise (

Hyperlinks

) zwischen WWW-Ressourcen,

aber auch zwischen Dokumentteilen. Darüber hinaus erlaubt sie die Einbindung von

Bildern, Audio- und Videodateien über die Uniform Ressource Locator (URL) genannte

Webadresse einer solchen Mediendatei. In HTML wird das Aussehen im Wesentlichen über

sogenannte Cascading Style Sheets (CSS) definiert, in denen die Layoutinformationen

deklarativ auf Grundlage der Dokumentstruktur notiert sind.

HTML ist ein ehemals SGML-basiertes Markupformat, das zwischenzeitlich in XML neu-

formuliert wurde, bevor es nun wieder losgelöst davon weiterentwickelt wird. Im Umfeld

von XML existieren mit der XML Stylesheet Language (XSL) weitere Werkzeuge zur

Umformung von strukturierten inhaltstragenden Dokumenten in alternative (ggf. um

Layoutinformationen ergänzte) Repräsentationsformen. Die Erstellung anzeigbarer Doku-

mente aus XML-basierten Daten- oder Textsammlungen geschieht durch Transformation

(gegebenenfalls auch erst auf Anfrage – „

on-the-fly

“) über die XSL Transformation (XSLT).

Mit den XSL Formatting Objects (XSL-FO) steht ein Formatierungen tragendes Dokumen-

tenformat für diesen Prozess zur Verfügung. Auch gängige Büroanwendungen verwenden

zum Teil XML-basierte Formate, in denen Inhalt, Struktur, Layout und Metadaten in auf

den Funktionsumfang und die Bedürfnisse des jeweiligen Programms abgestimmter Form

abgebildet werden. Beim Prozess der Optical Character Recognition (OCR), bei dem aus

Bilddateien digitalisierter Druckerzeugnisse maschinenlesbare Texte generiert werden,

wird ebenfalls eine um Aspekte des Dokumentlayouts erweiterte Repräsentationsform

benötigt. In der Praxis wird dafür z. B. das HTML-basierte Format „hOCR“

verwendet.

Abseits der auch menschenlesbaren Formate hat sich aus dem Bereich der technischen

Buchherstellung (der sogenannten Druckendstufe) heraus das Portable Document Format

(PDF) als ein effizientes Binärformat etabliert. Dieses wird seit Längerem auch für die

http://kba.github.io/hocr-spec/1.2/

Kapitel 2 Forschungskontext und relevante Technologien

elektronische Betrachtung und den digitalen Austausch von Dokumenten eingesetzt.

Wegen weithin fehlender Möglichkeiten, Änderungen an den Dokumenten vorzunehmen,

wird ihnen gemeinhin ein gewisser „Urkundencharakter“ zugesprochen, was z. B. ihren

Einsatz für bestimmte Zwecke der Verwaltung befördert hat.

Wie gezeigt, existieren zahlreiche Formate und Konzepte zur anzeigenahen Repräsentati-

on von Dokumenten. Das Erfassen von Informationen über Layout, physische Beschaffen-

heit und Aussehen von Dokumenten ist jedoch nicht Gegenstand dieses Buches, da das

Recherchesystem auf eine semantische Repräsentation der Texte ausgerichtet sein soll.

Zwar sind, etwa in [

Aud08

], bereits Ansätze beschrieben worden, die maschinenlesbare

Repräsentationsformen und Analysemodi insbesondere für komplexe Dokumente entwi-

ckeln

– noch sind diese jedoch nicht Gegenstand breiter Forschung. Zudem bringen sie

einen stark erhöhten Komplexitätsgrad für die Auswertung mit sich, der hier zunächst

vermieden werden soll.

2.2.6 Repräsentation von Metadaten und Annotationen

Die bereits in Abschnitt 2.1.3 auf Seite 25 vorgestellte inhaltliche, strukturelle und fach-

spezifische Vielfalt der zu erfassenden Metadaten führt dazu, dass sich für diesen Aspekt

der Datenverarbeitung viele unterschiedliche Lösungsansätze entwickelt haben. Bevor

einige davon genauer vorgestellt werden, soll zunächst noch einmal kurz erörtert wer-

den, worum es sich bei Metadaten überhaupt handelt. Die informelle Beschreibung als

„Daten über Daten“ greift in vielen Anwendungsszenarien deutlich zu kurz. Ob z. B. eine

Autorenangabe ein Metadatum ist, hängt von der konkret eingenommenen Perspekti-

ve ab. Für einen Datenbestand, in dem Zeitungstexte verwaltet werden, ist sie eine (in

vielen Fällen verzichtbare) Zusatzinformation. In bibliographischen Datensätzen ist der

Buchautor dagegen Teil der verwalteten Kerninformation: „Daten über Bücher“ – nicht

„über Daten“. Der Teilbegriff der Meta-„Daten“ ist zudem etwas unglücklich gewählt, da

Daten meist eine sehr rohe und wenig interpretierbare Einheit darstellen, aus der ohne

Kenntnis ihrer genauen Struktur keine Information abgeleitet werden kann. Im Rahmen

dieser Arbeit soll im Hinblick auf diese beiden Aspekte allerdings keine allzu strenge

Abgrenzung erfolgen. Alle „zusätzlichen“ Informationen in einer Wissensbasis, deren

schematische Bedeutung erklärbar ist

, werden hier als Metadaten bezeichnet.

wie etwa digitalisierte Handschriften, Notizen, Skizzen, Logbücher, Collagen usw.

Das heißt, es soll bekannt sein, welchen Aspekt ein Metadatum beschreibt. Die genaue Bedeutung des

eingetragenen Wertes muss dabei nicht näher spezifiziert (oder bekannt) sein.

2.2 Text- und Korpusrepräsentation

Im Kontext dieses Buches handelt es sich bei Metadaten meist um allgemeine Zusatzinfor-

mationen zu einem Text oder zu größeren Teilen davon. Damit besitzen sie eine gewisse

Nähe zu Markup, worüber wieder eine enge Verknüpfung mit der Strukturrepräsentation

entsteht. Beispielsweise ist die Metainformation „Das Buch ist in fünf Kapitel gegliedert.“

vollständig aus der Struktur ableitbar.

Textbezogene Metadaten sind das wichtigste Zugangsinstrument zu digitalisierten Text-

kollektionen. In [

Nun09

] wird in diesem Zusammenhang massive Kritik an der oberfläch-

lichen Digitalisierungsweise im Google-Books-Projekt

geübt, welches große Defizite

hinsichtlich der Qualität (insbesondere Vollständigkeit und Korrektheit) der erfassten

Metadaten aufweist. Solche ungenügend kuratierten Zugriffsmechanismen behindern

die wissenschaftliche Arbeit mit Korpora enorm.

Metadaten sollten im Idealfall maschinenlesbare Inhalte besitzen und eine angemessene

digitale Repräsentation der jeweiligen Zusatzinformationen darstellen. Für viele Quer-

schnittsaspekte, wie Ort und Zeit sowie Angaben zu deren jeweiligen Granularitäten und

der Unsicherheit seitens des Erfassers konnte jedoch noch kein allgemeingültiger Reprä-

sentationsstandard erstellt werden. Auch für fachbezogene Aussagen fällt es oft schwer,

einheitliche Standards für Metadaten zu etablieren. Um eine Einigung hinsichtlich der Be-

deutung konkreter Metadatensätze zu erreichen, bietet es sich an, sogenannte Ontologien

zu modellieren, eine Form semantischer Netze, auf die später noch genauer eingegangen

wird. Die Modellierung kann dabei ausgehend von grundsätzlichen Überlegungen zur

konzeptuellen Einteilung der Anwendungsdomäne (

top down

) oder ausgehend von der

Gruppierung einzelner Phänomene und Datensätze (

bottom up

) erfolgen. Für die Etablie-

rung standardisierter Ontologien ist in der Regel eine inhaltliche und organisatorische

Zusammenarbeit in größeren Gremien und Konsortien notwendig.

Im Bibliothekssektor haben sich Metadatenmodelle wie das MAchine-Readable Cataloging

(MARC) und das Metadata Object Description Schema (MODS) herausgebildet. Viele Insti-

tutionen haben dabei eigene Erweiterungen an diesen Modellen vorgenommen, stimmen

jedoch im Kernbereich mit dem Einheitsmodell überein. Allgemeine Referenzmodelle,

wie das bereits angesprochene CIDOC-CRM, ermöglichen eine konzeptuelle Zusammen-

führung von Modellen unterschiedlicher, aber verwandter Ressorts, etwa von Archiven

und Museen oder Bibliotheken und digitalen Textrepositiorien. Für die dadurch ermög-

lichte Nutzung von Infrastrukturen stellt sich die Frage, ob aus allen Teilmodellen ein

einziges zentralisiertes Modell erzeugt werden soll, oder die Infrastruktur eine logische

http://books.google.de/

Kapitel 2 Forschungskontext und relevante Technologien

Verknüpfung dezentralisierter Metadatenrepositorien vornimmt. In CLARIN kommt mit

der Component Metadata Infrastructure (CMDI) eine Technologie für letzteres Szenario

zum Einsatz, die nachnutzbare Schema-Komponenten für die Definition eigener Metada-

tenformate bereitstellt. Auf diese Weise gelingt es in der föderierten Umgebung gleiche

Metadatenteile zusammenzuführen und unterschiedliche Teile als solche zu isolieren

und für spezifische Abfragen dennoch nutzbar vorzuhalten.

Annotationen sind eine spezielle Form von Metadaten, die für kleine Ausschnitte der

Daten, wie Textstellen, Bildregionen, Einzeltonfolgen usw. notiert werden. Auch sie sind

eng mit dem Begriff des Markup verbunden. Es zeigt sich in der Praxis jedoch häufig

eine leicht unterschiedliche Ausrichtung: Annotationen sagen meist etwas über einen

(externen) digital abzubildenden Text aus, während mittels Markup üblicherweise eher

deklariert wird, wie ein bestimmter Textteil (durch eine Maschine) zu interpretieren ist.

Renear kritisiert in [

Ren01

] im Hinblick auf die TEI grundsätzlich die Unterscheidung

von Markup in die Kategorien

descriptive

und

procedural

. Schmidt weist in [

Sch14

] auf

das „

TEI-Paradox

“ hin, indem er aufzeigt, dass, obwohl die XML-basierte Technologie auf

vollständige Interoperabilität ausgelegt ist, ein einzelnes TEI-kodiertes Dokument auf

der Ebene der Bedeutung von Tags nicht interoperabel ist.

Auch durch solche Erkenntnisse hat sich die Praxis des Notieren von Annotationen direkt

im Dokument (

inline

) schrittweise zur Nutzung von losgelösten Annotationen (

stand-off

)

gewandelt, vgl. z. B. [

BW09

]. Stand-Off-Annotation können, wie bereits angesprochen,

auch zur Auszeichnung von Struktur verwendet werden. Für alle Anwendungsgebie-

te benötigen sie eine eindeutige Positionierungsmöglichkeit in den Dokumenten, um

Beginn und Ende einer Annotation korrekt numerisch angeben zu können. Für den Po-

sitionierungs-

Offset

werden genaue Angaben zur Zählweise benötigt – graphemweise,

codepunktweise, byteweise, wortweise oder über per Markup definierte Anker.

Annotationen können durch automatische Verfahren vorgenommen werden oder durch

manuelle Bearbeiter ergänzt werden. Während im Bereich der e-Humanities durch große

Korpora oft sehr umfangreiche Annotationsaufwände anfallen, die nur selten mit auto-

matischen Hilfsmitteln in ausreichender Qualität bewältigt werden können, ist in diesem

Bereich für die manuelle Annotation nicht immer tiefes Fachwissen nötig. Dies eröffnet

Möglichkeiten für die Beteiligung von fachfremden Freiwilligen, in Form von

Citizen-

Science

-Projekten und in

Crowdsourcing

-Umgebungen, wobei ein mehrfaches Annotieren

der gleichen Stellen durch verschiedene Bearbeiter zur Vermeidung sporadischer Fehler

angeraten ist.

2.3 Graphdatenbanken

Nachdem die Komplexität der Text- und Korpusrepräsentation nun auf verschiedenen

Ebenen vorgestellt wurde – angefangen bei der Codierung einzelner Zeichen bis hin

zur Repräsentation von heterogenen Sammlungen annotierter Dokumente – soll in den

nächsten Abschnitten untersucht werden, welche Technologien für Speicherung und Ab-

frage solcher Daten zur Verfügung stehen. Ausgehend von der Transition der traditionell

relationalen Datenbanklandschaft zu einem Ökosystem aus einer Vielzahl neuer Ansätze

und Systeme sollen insbesondere die Paradigmen zum Umgang mit hochverknüpften Da-

tensammlungen herausgegriffen werden, denn: Eine flexible Textrepräsentation benötigt

flexible Formen der Verknüpfung von Daten.

2.3 Graphdatenbanken

2.3.1 NoSQL-Datenbanken

Um die aktuellen Entwicklungen im Datenbanksektor besser einordnen zu können, bedarf

es zunächst eines kurzen Rückblicks auf die Historie dieser Technologie. Einen lesens-

werten, weil sehr breiten (und entsprechend wenig tiefgreifenden) Abriss über relevante

Entwicklungen gibt z. B. [

LC13

]. An dieser Stelle sollen nur kurz Schlaglichter auf einzelne

relevante Entwicklungsschritte geworfen werden:

Während der Bedarf an Speicherung und Prozessierung großer Mengen von Daten bis in

die Anfangszeit der Rechnersysteme zurückreicht – die Geschichte des

Index Thomisticus

ist dafür nur ein Beispiel von vielen – so waren die damaligen Rechnersysteme nicht

mit unserer heutigen Vorstellung von Datenbanksystemen vergleichbar. Eingabe und

Ausgabe erfolgten rein sequenziell, ein Zugriff auf einzelne

Records

war zwar bei Kartei-

karten theoretisch noch möglich, jedoch bei Magnetbändern nicht effizient (und damit

ökonomisch vertretbar) zu bewerkstelligen.

Erst mit dem Aufkommen von wahlfreiem Zugriff auf gespeicherte Dateien nach der Erfin-

dung von Festplatten wurden Aufgaben der individuellen Datenspeicherung und Abfrage

relevant. Als Analogie für die neuen Zugriffsmechanismen wurde (auch aus Gründen der

Kontinuität) hauptsächlich die Karteikarte und die Tabelle gewählt. Formelle mathema-

tische Beschreibungen wurden in Form der Relationalen Algebra eingeführt, während

sich in der Praxis Create, Read, Update, Delete (CRUD) als die vier Grundoperationen für

persistierte Daten etablierten.

Kapitel 2 Forschungskontext und relevante Technologien

Mit wachsendem Verständnis der mathematischen Implikationen und mit steigender Zahl

an Anwendungsszenarien wurde der Fokus dann auf die Formulierung und Prüfung von

Konsistenzbedingungen für die Datenbestände gelegt. Zur Vermeidung von Redundanzen

– durch die nicht wenige Inkonsistenzen hervorgerufen werden können – wurde der Fokus

auf die Forschung an sogenannten Normalformen für die Datenmodellierung gelegt. Zu

Beginn der 1970er Jahre wurde die bis heute relevante, auf früheren Arbeiten aufbauende

(und teils zu vorhergehenden Definitionen äquivalente) Boyce-Codd-Normalform

vor-

gestellt, vgl. [

Cod74

]. Um die Konsistenz der Daten auch in Mehrbenutzerszenarien mit

konkurrierenden Zugriffsmustern zu gewährleisten, wurden Transaktionskonzepte und

grundsätzliche Systemanforderungen, wie Atomicity, Consistency, Isolation, Durability

(ACID) definiert, vgl. [HR83].

Das relationale Datenbankmodell war zu diesem Zeitpunkt bereits das am häufigsten

verwendete und es wurden viele Werkzeuge und Vorgehensmodelle für den Umgang

damit geschaffen, etwa das Entity-Relationship Model (ERM) zur abstrakten (graphischen)

Formulierung von Daten- und Domänenmodellen, vgl. [

Che76

]. Mit der Standardisierung

der Structured Query Language (SQL) als herstellerübergreifende Abfragesprache wurden

die relationalen Datenbanken der Quasi-Standard für Datenhaltung. Da parallel zu diesen

Entwicklungen in großer Zahl Arbeitsplätze mit Bürorechnern ausgestattet wurden

und immer mehr Planungs-, Verwaltungs- und Kommunikationsaufgaben in digitalen

Systemen erledigt wurden, konnten sich diese Datenbanksysteme als Speicher-

Backend

für eine Vielzahl von Fachanwendungen durchsetzen, wodurch das Marktvolumen für

Datenbanktechnologien noch einmal enorm anstieg.

Seitdem wurden kommerzielle Weiterentwicklungen hauptsächlich innerhalb des da-

durch abgesteckten Technologierahmens umgesetzt und es konnten viele (auch aus Sicht

der Informatik wertvolle) Optimierungen umgesetzt werden – allerdings waren seitdem

wenige „die Grundfesten erschütternde“ Neuerungen zu verzeichnen. Im Geschäftsbe-

trieb haben sich im Wesentlichen zwei Anwendungsfälle herauskristallisiert, die auch in

technologischer Hinsicht zu unterschiedlichen Produkten geführt haben. Datenhaltung

und Abfrage im Umfeld von Geschäftsanwendungen verfolgen entweder die Strategie

des On-line Transaction Processing (OLTP) oder die des On-line Analytical Processing

(OLAP), s. [

HW05

]. OLTP setzt den Fokus auf interaktive Abfragen, während OLAP die Mög-

lichkeit für aufwändige Analysen auf dem gesamten Datenbestand in einer verzögerten

Ausführung bietet.

nach Raymond F. Boyce und Edgar F. Codd

2.3 Graphdatenbanken

OLAP-Systeme, die auch als

Data Warehouses

bezeichnet werden, gewinnen zunehmend

an Bedeutung für die Forschung, wenn Auswertungen im Bereich von Big Data notwendig

sind. Bei sehr großen Datenmengen ist eine Verteilung auf mehrere physische Rechnersys-

teme notwendig, wobei es (aus der Theorie ableitbare) grundsätzliche Einschränkungen

im Bezug auf die Leistungsfähigkeit des Gesamtsystems im verteilten Szenario gibt. Das

als Consistency, Availability, Partition tolerance (CAP) bekannte Theorem besagt, dass

die Konsistenz der verteilten Daten (C), die Verfügbarkeit und Geschwindigkeit des Sys-

tems (A) sowie dessen Toleranz gegenüber Ausfällen und Störungen (P) nicht gleichzeitig

optimal sein können, sondern maximal zwei davon.

Diese Ausgangssituation einer omnipräsenten, weitestgehend statischen Datenbanktech-

nologie, die vor erhebliche Skalierungsprobleme gestellt war, bildete den Nährboden für

unabhängige Neuentwicklungen. Hauptsächlich im Rahmen von

Open-Source

-Projekten

wurde an Alternativen zu relationalen Datenbanken gearbeitet, bis eine Vielzahl solcher

Ansätze schließlich in einer Initiative namens Not only SQL (NoSQL) zusammengefasst

wurde. Ausdrücklich wenden sich die dort gebündelten Projekte nicht gegen relationale

Datenbanken an sich, sondern gegen die Monokultur, die von diesen begründet wurde und

durch welche Auswahlmöglichkeiten beschränkt wurden. Nicht jeder Anwendungsfall be-

nötigt ACID-Eigenschaften, nicht jeder Anwendungsfall benötigt alle CRUD-Operationen

und die Abwägungen, die hinsichtlich der CAP-Eigenschaften getroffen werden müssen,

sollten auch vom Anwendungsfall abhängig gemacht werden.

NoSQL-Systeme umfassen unter anderem:

○

Key-Value Stores

, die für numerische Schlüssel oder Schlüssel aus Zeichenketten

meist primitive Werttypen speichern und oft Abfragen über Wertebereiche oder

Teilzeichenketten der Schlüssel zulassen,

○

Wide Column Stores

, die für die Kombination aus Zeilenschlüssel und Spaltenschlüs-

sel (für potentiell sehr viele Zeilen und Spalten) Werte hinterlegen können

○

Dokumentdatenbanken, in denen geschachtelte Schlüssel-Wert-Container als „Do-

kumente“ gespeichert werden, z. B. in der JavaScript Object Notation (JSON),

○

Graphdatenbanken (und Hypergraphdatenbanken), in denen zwei (oder mehr)

Einträge, welche Schlüssel-Wert-Paare enthalten, direkt miteinander in Beziehung

gesetzt werden können, ohne dass diese Assoziation auf der Ebene von Klassen

oder Tabellen definiert werden muss und

Kapitel 2 Forschungskontext und relevante Technologien

○

Tuple Stores

für die Speicherung prädikatbasierter Ausdrücke (sogenannte „Tripel“

aus Subjekt, Prädikat und Objekt). Soll über diese Aussagen wiederum etwas aus-

gesagt werden, müssen sie in referenzierbarer Form als Quadrupel gespeichert

werden. Um diese zu referenzieren, werden Quintupel verwendet, ...

Darüber hinaus werden teils auch spezialisierte Systeme – im textorientierten Bereich bei-

spielsweise XML-Datenbanken

und Volltext-Suchmaschinen

– die über entsprechende

Speicherfunktionen verfügen, zu den NoSQL-Systemen gerechnet.

Die meisten dieser Systeme zeichnen sich durch weniger rigide Anforderungen an die

Definition eines Datenbankschemas aus, als es bei relationalen Systemen üblich ist – oder

bieten überhaupt keine Möglichkeit zur Schemadefinition. Grundsätzlich gilt, dass je

komplexer die abbildbaren Strukturen sind, umso weniger Daten für effiziente (komplexe)

Abfragen im Echtzeitzugriff vorgehalten werden können. Daneben kann als Merkmal

vieler Systeme eine Unterstützung für

Sharding

-Mechanismen und den Betrieb auf Rech-

nerclustern festgestellt werden. In diesem Zusammenhang werden teils eigene Lösungen,

zum anderen aber nicht selten auch Komponenten aus dem Big-Data-Ökosystem um

Apache Hadoop

genutzt, welches als eine der ersten Ausführungsumgebungen für

MapReduce [DG04] frei zur Verfügung steht.

Die dabei oft angewendete Form der Systemskalierung unter Aufweichungoder gänzlicher

Aufgabe der strengen ACID-Bedingungen wird unter der Bezeichnung Basically Available,

Soft state, Eventually consistent (BASE) in [Pri08] wie folgt eingeführt:

BASE is diametrically opposed to ACID. Where ACID is pessimistic and forces consis-

tency at the end of every operation, BASE is optimistic and accepts that the data-

base consistency will be in a state of flux. Although this sounds impossible to cope

with, in reality it is quite manageable and leads to levels of scalability that cannot

be obtained with ACID

In der Anwendung wird allgemein eine „elastische“ Skalierung bevorzugt. Die Elastizität

bezieht sich auf die Fähigkeit zur Skalierung des Systems von einem physischen Einzel-

rechner zu großen (in wenigen Minuten bedarfsgerecht anmietbaren) Rechnerclustern,

im laufenden Betrieb und ohne dass dafür initiale Vorkehrungen nötigt sind.

z. B. eXistdb (http://www.exist-db.org/) und BaseX (http://basex.org/)

z. B. Elasticsearch (http://www.elastic.co/de/products/elasticsearch) und

Apache Solr (http://lucene.apache.org/solr/)

http://hadoop.apache.org/

2.3 Graphdatenbanken

Die NoSQL-Initiative hat viele technologische Neuerungen und Rekonzeptualisierungen

im Datenbankbereichmit sich gebracht, oft jedoch zum Preis fehlender Anschlussfähigkeit

und Kompatibilität zu bestehenden Fachanwendungen. Allerdings kann sich mittlerweile

auch in der Welt der NoSQL-Ansätze für Datenmodellierung die Abfrage über SQL wieder

positionieren. SQL kann über eine intermediäre Zugriffsschicht für verschiedene Daten-

speicher genutzt werden, wie sie etwa in Apache Drill

umgesetzt ist, s. [

HN13

]. Beim

kommerziellen Datenbanksystem NuoDB

wird eine skalierbare Systemarchitektur mit

SQL-Funktionalität z. B. als „NewSQL“ beworben.

Der im Zentrum dieser Arbeit stehende Begriff des Graphdatenbanksystems kann eine

Vielzahl verschiedener Nuancen dieser Technologie bezeichnen. Der Praxis aus [

RWE13

]

folgend,

werden hier damit vorrangig „Property-Graph-Datenbanken“ bezeichnet, de-

ren Datenmodell später noch ausführlicher besprochen wird. Zunächst sollen die Be-

sonderheiten von Graphen – jenen komplexen Strukturen, die sich in solchen Systemen

abbilden lassen – in den folgenden Abschnitten vorgestellt werden.

2.3.2 Netzwerke, Graphen und ihre Anwendungsgebiete

Die Beschreibung und Analyse von Netzwerken lässt sich keiner einzelnen Disziplin

zuordnen. Zum einen sind diese Aktivitäten oft Teil interdisziplinärer Forschung, zum

anderen bilden sie aus methodischer Sicht einen eigenständigen Querschnittsaspekt

der Forschung insgesamt. Eine mit vielen Beispielen und historischen Meilensteinen

unterfütterte Einführung in Netzwerke und Netzwerkforschung sowie deren Bedeutung

für unser tägliches Leben gibt Barabási in [Bar02].

Erste Aufmerksamkeit erhielt die Netzwerkforschung durch sozialwissenschaftlich ge-

prägte Studien. Mitte der 1960er Jahre berichtete Milgram in [

Mil67

] von seinen Ex-

perimenten zur (oft erstaunlich kurzen) Pfadlänge zwischen Personen über (indirekte)

Bekanntschaften. Diese Sichtweise hatte eine große Ausstrahlwirkung in die breite Öffent-

lichkeit und es entwickelte sich daraus später die Vorstellung von

six degrees of separation

über welche (angeblich) alle Teile der Weltbevölkerung miteinander verbunden seien.

Wenig später wurden ebenfalls aus soziologischer Motivation heraus wichtige Beiträge

http://drill.apache.org/

http://www.nuodb.com/

wohl wissend, dass deren Autoren großes wirtschaftliches Interesse an der Förderung genau dieses

Graphdatenbank-Typs haben

Kapitel 2 Forschungskontext und relevante Technologien

im Bereich kleiner Netzwerke und direkter Interaktionen zwischen Personen geleistet.

Prominentestes Beispiel ist die von Zachary durchgeführte Untersuchung der persönli-

chen Relationen zwischen den Mitgliedern eines Karateclubs von 1970 bis 1972, s. [

Zac77

Die sozialen Interaktionen und persönlichen Spannungen wurden festgehalten und es

konnte exemplarisch nachgewiesen werden, dass Sie zum Zeitpunkt der Abspaltung eines

neuen Karateclubs einen entscheidenden Einfluss auf den Verbleib oder die Abwanderung

einzelner Mitglieder hatten. Daraus entwickelten sich nach und nach fortgeschrittenere

Methoden der Netzwerkanalyse, die gemeinsam mit anderen Modellen in der Soziologie

bis heute Anwendung finden.

In die selbe Zeit fallen auch allgemeinere Untersuchungen zu topologischen Aspekten

großerNetzwerke,die sich bis in die heutige Forschungfortsetzen. Speziell zum Verhältnis

vonStrukturen auf der Mikroebene zu Effekten auf der Makroebene wurden z. B. in [

Gra73

]

Überlegungen zu „

Weak Ties

“ veröffentlicht. Diese sind eine Form topologisch induzierter

und grundsätzlich eher kontraintuitiver Effekte, die besagen, dass der größte Einfluss auf

wesentliche Elemente der Netzwerkstruktur nicht von stark miteinander verknüpften

Regionen, sondern von einzelnen, potentiell fragilen, Querverknüpfungen ausgeht.

Neben der Soziologie sind auch Physik, Biologie, Informatik, Logistik, Energiewirtschaft

und Telekommunikation wichtige Impulsgeber für die Entwicklung der Netzwerkfor-

schung zu nennen. Noch vor zehn Jahren war zu bemängeln, dass verschiedene For-

schungs- und Anwendungsgebiete der Netzwerkanalyse sich untereinander nur mangel-

haft abstimmen, von den Resultaten der anderen Bereiche kaum profitieren und folglich

auch eine stark heterogene Forschungslandschaft bilden

, vgl. [

Jac06

]. In seitdem neu

entstandenen Feldern, wie etwa den „Computational Social Sciences“, vgl. [

LPA

wird versucht, die bestehenden Methoden anderer Disziplinen (so weit dies sinnvoll

umzusetzen ist) in den Forschungsprozess zu übernehmen.

Es lassen sich viele Arten von Netzwerken unterscheiden. Neben Untergliederungen

nach Anwendungsgebiet kann eine Klassifizierung auch über die Art der abgebildeten

Aussagegegenstände erfolgen: So kann es materielle, immaterielle oder hypothetische

Objekte oder Akteure enthalten und die Verbindungen zwischen Ihnen können als Ähn-

lichkeit, Nähe, Affinität, Erreichbarkeit oder als konkrete Wege für den Fluss von Gütern,

Werten oder Information angesehen werden. Eine allumfassende Einteilung mit genauer

Dokumentation für die damit verbundenen Implikationen hinsichtlich einer Auswertung

ist schwierig und liegt bislang nicht vor.

„[...] they are still largely distinct in their methods, interests, and goals.“

2.3 Graphdatenbanken

Während die Bezeichnung „Netzwerk“ oft einen stärkeren Anwendungsbezug ausdrückt,

hat sich für eine eher abstrakte, technische und auf die reine Struktur ausgerichtete Sicht

auf Netzwerke die Bezeichnung „Graph“ etabliert. Graphen und Netzwerke sind Modelle

verschiedener Abstraktionsstufen, die eine systematische Sicht auf Zusammenhänge in

einer Anwendungsdomäne bieten können. Die Überführung von theoretischen Überle-

gungen zu dieser Domäne in passende Modelle und einzelner Beobachtungen in diskrete

Datensätze innerhalb dieses Modells wird auch als

Graph Induction

bezeichnet. Auf die

Graphinduktion in konkreten Anwendungsszenarien wird später in diesem Buch noch

häufiger eingegangen.

Graphstrukturen finden sich nicht zuletzt auch häufig in der Informatik, etwa in Form

von Listen, Bäumen und vielen komplexeren Datenstrukturen. Letztlich lassen sich auch

die Gesamtheit der Objektinstanzen und -referenzen in der objektorientierten Program-

mierung als Graph ansehen, was insbesondere für die automatische Speicherbereinigung

(

Garbage Collection

) von großer Relevanz ist. Ein unverzichtbares Werkzeug zur formellen

Beschreibung solcher abstrakter Strukturen wird im folgenden Abschnitt vorgestellt.

2.3.3 Formalisierung und graphentheoretische Zugänge

Die Graphentheorie ist eine im 18. Jahrhundert wurzelnde Forschungsrichtung, die im

Laufe des 19. Jahrhunderts systematisch mit anderen Teilen der Mathematik verknüpft

wurde. Die ersten Kernprobleme und frühen Entwicklungen als Disziplin sind z. B. in

[

BLW79

] ausführlich dargelegt. Die Graphentheorie wurde erst spät, im Jahr 1936 mit

[

Kön36

] – der ersten diesbezüglichen Veröffentlichung in Buchform – als eigenständiges

Wissensgebiet etabliert. Seitdem wurden innerhalb der Mathematik, aber auch durch die

Informatik, viele neue Erkenntnisse zu Graphen gewonnen. Gleichzeitig half die Beschrei-

bung als Graphen-Problem auch beim Finden neuer Lösungsansätze für verschiedene

externe Fragestellungen. Nicht selten fand dabei ein methodischer Übertrag in andere

Gebiete statt – so etwa in die natur- und sozialwissenschaftliche Forschung, wie bereits

im letzten Anschnitt beschrieben.

Im Kontext von Graphdatenbanken ist die reine Graphentheorie allerdings nur ungenü-

gend als Formalismus geeignet. Der Autor schließt sich der in [

RN11

] geäußerten Kritik

an einer beinahe „reflexhaften“ Angabe eines übersimplifizierten Graphen-Formalismus

am Anfang vieler diesbezüglicher Veröffentlichungen an. Wie Rodriguez und Neubauer

weiterhin feststellen, ist in praktischen Anwendungsszenarien (die vielleicht im Gegen-

Kapitel 2 Forschungskontext und relevante Technologien

satz zur Mathematik in der Informatik häufiger anzutreffen sind) die Realisierung einer

graphförmigen Struktur und die Interaktion mit ihr oft wichtiger, als die formelle Analyse

ihrer graphentheoretischen Eigenschaften.

Problematisch ist weiterhin, dass die schon angesprochene Universalität des Graphen-

Begriffs dazu beigetragen hat, dass eine Vielzahl intuitiv entstandener Definitionen

parallel existieren, die nicht immer kompatibel zueinander sind. Eine Einführung in die

heute gebräuchlichen Formalisierungen für Graphen geben z. B. [

Die16

] und [

GS12

]. An

dieser Stelle sollen die Kernbegriffe zunächst kurz informell vorgestellt werden:

Bei der Beschreibung von Graphen existieren zwei zentrale Konzepte: Ein

Knoten

kann

Objekte der realen Welt bzw. menschlichen Vorstellung repräsentieren oder einfach als

anonymes und bedeutungsloses Element einer Menge angesehen werden. Eine

Kante

verbindet zwei Knoten miteinander.

Der Graph ergibt sich im einfachsten Fall aus einer Menge von Knoten und einer Menge

von Kanten. Die Graphentheorie nutzt zur Definition dieser Grundelemente und ihrer

Eigenschaften Konstrukte der Mengentheorie – üblicherweise jedoch, ohne auf eine be-

stimmte Axiomatisierung näher einzugehen. In Anbetracht der in [

Lei14

] vorgebrachten

Kritik

kann dies durchaus problematisch sein: Generell beantwortet die Graphentheorie

nicht die Frage, welche (mathematischen) Konstrukte die Knoten eines Graphen eigent-

lich konkret darstellen. Für Graphdatenbanken, bei denen direkt in Knoten Informationen

persistent gespeichert werden sollen, ist diese Unterspezifikation besonders ungünstig.

Für die sehr einfache Definition von Graphen existieren zahlreiche Erweiterungen: Ge-

richtete Graphen, in denen bei Kanten die Reihenfolge der verbundenen Knoten beachtet

wird; gewichtete Graphen, deren Kanten um Zahlwerte ergänzt sind; Hypergraphen,

deren Kanten mehr als zwei Knoten verbinden; Multigraphen, die mehrere Kanten zwi-

schen den selben Knoten erlauben, und noch vieles mehr. Allerdings verändern all diese

Variationen auch die mathematischen Konstrukte in der Graphen-Definition. Die Aussage

„Ein gerichteter Graph ist ein Graph.“ ist daher strenggenommen (je nach konkreter

Definition) entweder nicht formell untersuchbar oder gar falsch! Darüber hinaus exis-

tieren verschiedene (nicht in allen Belangen äquivalente) Möglichkeiten der konkreten

auch: „Ecke“, englisch: node oder vertex

auch: „Bogen“, englisch: edge

Kurz zusammengefasst: Beim „traditionellen“ Axiomsystem für Mengen, „Zermelo-Fraenkel with Choice“,

sind alle Elemente von Mengen selbst Mengen. Da die Identität von Mengen sich über ihre Elemente

ergibt, können „Primitive Elementtypen“, wie Zahlen, prinzipiell nicht einfach in diesem System

verwendet werden.

2.3 Graphdatenbanken

Ausgestaltung der Erweiterung, etwa um für gerichtete Graphen die Richtung einer Kante

anzugeben: Bei Diestel wird ein ungerichteter Graph um zwei Abbildungsfunktionen

(von Kanten auf Knoten) ergänzt, die jeweils Start- und Zielknoten bestimmen. Andere

Veröffentlichungen und Einführungswerke definieren bei gerichteten Graphen die Kan-

tenmenge als Menge von Mengen der Mächtigkeit

zu Mengen von Paaren um (so z. B.

auch Griffin), oder beschreiben die Änderungen überhaupt nicht in formaler Form. Ähn-

lich heterogen werden in der Literatur auch die anderen angesprochenen Erweiterungen

gehandhabt.

Neben der Graphentheorie existieren weitere Zweige der Mathematik bzw. der theoreti-

schen Informatik, die sich mit Graphen beschäftigen, etwa die (allgemeine sowie endliche)

Modelltheorie und die Kategorientheorie [

BW95

]. Diese Betrachtungsweisen erlauben

grundsätzlich eine Verallgemeinerung auf andere Arten von Strukturen, wodurch sich

neue Anwendungsmöglichkeiten ergeben. Es wurde z. B. in [

SK12

] bereits gezeigt, dass

die Kategorientheorie auch zur Wissensrepräsentation geeignet ist. Daneben existieren

weitere mathematische Zugänge, wie die spektrale Graphentheorie, die tatsächlich nütz-

liche Aussagen für die Abfrage sehr großer graphförmiger Daten in Datenbanken liefern

kann, wie z. B. in [

ZCYL08

] festgestellt wurde. Dennoch stellen auch diese Formalisierun-

gen im Umfeld von Graphdatenbanken keine geeigneten Zugänge zur mathematischen

Beschreibung der Gesamtsysteme dar.

Aus der klassischen Sichtweise der Informatik ergeben sich zum Umgang mit Graphen

jedoch vor allem Fragestellungen der digitalen Repräsentationsform. Dabei werden im

Bereich der Algorithmen und Datenstrukturen einführend vorrangig Adjazenzmatrizen,

Adjazenzlisten und Inzidenzmatrizen sowie Knoten- und Kantenlisten betrachtet. Diese

anschaulichen und gut verstandenen Repräsentations- und Speicherformen haben aller-

dings so gut wie keine praktische Relevanz im Datenbankumfeld. Spinrad gibt in [

Spi03

]

einen Überblick über „

Efficient Graph Representations

“. Doch letztlich sind auch solche

Betrachtungsweisen beschränkt, da sie sich jeweils fast ausschließlich nur auf einfache

strukturelle Aspekte der zu speichernden Elemente konzentrieren, während Datenmodel-

lierung, -speicherung und -abfrage sich nicht unmittelbar und für die anwendungsnahe

Forschung gewinnbringend in den klassischen Formalismen der Graphentheorie abbilden

lässt. Im Umfeld von Graphdatenbanken lassen sich jedoch andere, passendere formelle

Beschreibungen finden, wie im nächsten Abschnitt noch erläutert wird.

Kapitel 2 Forschungskontext und relevante Technologien

2.3.4 Property-Graph-Datenbanken

Graphdatenbanken sind keine Erfindung der letzten Jahre. Allerdings sind sie erst durch

die Dynamik der NoSQL Bewegung wieder in den Fokus von Forschung und Industrie

geraten. Warum ihre spezialisierte Herangehensweise an die Modellierung von Daten und

deren Relationen nicht früher breitere Anwendung gefunden hat, lässt sich nur schwer

abschließend ergründen. In [Bue12] etwa heißt es dazu:

The research of graphdatabases was popular in the early 1990s with database models

like LDM, GOOD, O2, and GraphDB. However, this interestdied off with the insurgence

of XML and the Internet. Not until recently have graph databases again become a

topic of interest. This re-emergence is due in part to the large amounts of graph data

introduced by the Web.

Diese Beschreibung wirkt in sich recht widersprüchlich: Das WWW hat gerade durch

seine emergente Verlinkungsstruktur schnell große (netzwerkförmige) Datenmengen

produziert und sich nicht zuletzt durch dieses „verbindende“ Merkmal als prominentester

Service im Internet etabliert. Um die Strukturen des WWW detailliert zu erforschen,

wären Graphdatenbank-Systeme bereits in den 1990er Jahren hilfreich gewesen.

Ein möglicher Aspekt, der zur zwischenzeitlichen Abwendung von der Forschung an

Graphdatenbanken geführt hat, könnte im großen Entwicklungsvorsprung relationaler

Systeme (bei relativ ähnlichem Funktionsumfang) begründet liegen. Beim unvorein-

genommenen Vergleich des relationalen Modells mit Graphenmodellen lassen sich im

Grunde nur wenige fundamentale Unterschiede ausmachen:

Zum einen betrifft dies die Schematisierung der Daten: Einträge sind nicht mehr in Rela-

tionen zusammengefasst, über die die ihnen zuweisbaren Eigenschaften definiert werden,

ähnlich wie über Klassen in der objektorientierten Programmierung. Stattdessen kann

für jeden einzelnen Eintrag eine beliebige Menge an Eigenschaftsschlüsseln verwendet

werden. Zum anderen betrifft es die Art der Indizierung von Werten. Neben globalen (in

relationalen Systemen tabellenzentrischen) Indizes stehen zusätzlich also knotenzen-

trische (

vertex centric

) Indizes zur Verfügung, wie in [

RN11

] detaillierter vorgestellt wird.

Verknüpfung wird so zum „Modellierungskonstrukt erster Klasse“, über das sich effizient

und ohne die Notwendigkeit von

Join

-Operationen zwischen Datensätzen navigieren lässt.

Jedoch ist laut [

SFSK15

] auch eine effiziente Emulation einer Graphdatenbank über das

relationale Modell möglich.

2.3 Graphdatenbanken

Letztlich können die Unterschiede auf technischer Ebene (anders als aus konzeptioneller

Sicht) demnach nicht wirklich fundamental sein. Auch etablierte Modellierungswerk-

zeuge, wie das ERM sind mit nur geringen Modifikationen für die Nutzung mit Graph-

datenbanken geeignet. Datenmodelle zum Speichern von vernetzten Daten kommen

in verschiedenen Ausprägungsformen zum Einsatz. In [

Bue12

] und [

Ang12

] werden die

Modellierungsansätze und -konstrukte gängiger Graphdatenbank-Systeme beschrieben

und verglichen. Im Wesentlichen bilden diese Auflistungen aus dem Jahr 2012 auch die

noch heute genutzten Modell-Varianten ab.

Property Graphs stellen dabei eine recht kleinteilige und minimalistische Sicht auf Ein-

träge und Zusammenhänge zwischen ihnen dar. Sie haben sich zu einem populären

Modell entwickelt, für das auch kommerzielle Software entwickelt wird. In ihrer jetzi-

gen Form sind sie als eine Art „Industrie-Standard“ anzusehen, wobei mit der von der

Apache Foundation verwalteten Programmbibliothek TinkerPop

eine quasi-normative

Instanz existiert. Die dort enthaltene Schnittstellenbeschreibung „Blueprints“ definiert

eine gemeinsame Application Programming Interface (API) für viele Graphdatenbanken

unterschiedlicher Hersteller.

In [

JV13

] wird das Property-Graph-Datenmodell als

directed, edge-labeled, attributed, multi-

graph

beschrieben

. In Multi-Graphen können die selben zwei Knoten über mehrere

verschiedene Kanten verbunden sein. Die Kanten in Property-Graphen sind stets gerich-

tet und besitzen einen Kantentyp (

Edge Label

). Proerty-Graphen sind zudem „attributiert“,

Knoten und Kanten besitzen Eigenschaften (

Properties

), die in Form von Schlüssel-Wert-

Paaren hinterlegt werden. Die Schlüssel von Eigenschaften sind (wie auch die Kantenla-

bels) Teil des Schemas der Graphdatenbank. Das Datenbankschema schränkt nicht ein,

welchen Knoten oder Kanten welche Eigenschaften zugewiesen werden dürfen, oder wel-

che Kantenlabels in welchen Kontexten verwendet werden dürfen. Diese Restriktionen

sind durch die Anwendungslogik vorzunehmen und gegebenenfalls bei der Abfrage zu

berücksichtigen.

Im Folgenden wird ein Vorschlag für einen geeigneten Formalismus zur Abbildung der

wesentlichen Merkmale von Property-Graphen entwickelt, der sich auf die Herange-

http://tinkerpop.apache.org/

wobei der dort dafür angegebene Formalismus (offenbar aus Gründen der Übersichtlichkeit) weder

Kantenlabels noch Attribut-Wert-Paare incl. deren Zuweisungsfunktionen zu Kanten bzw. Knoten

und Kanten berücksichtigt

nicht zu verwechseln mit graph properties, also den mathematisch bestimmbaren Eigenschaften von

Graphen im graphentheoretischen Sinne, etwa „enthält ein Dreieck (

) als Subgraph“., vgl. [

Die16

]

Kapitel 2 Forschungskontext und relevante Technologien

hensweise und Symbolbezeichnungen in [

RN11

] stützt, in welchem jedoch Schema und

Instanzdaten getrennt betrachtet werden:

Ein Property-Graph-Schema

ergibt sich aus einer Menge

von Kantenlabeln und einer

Menge R von Property-Schlüsseln:

Γ = (Σ, R)

Ein Property-Graph, der diesem Schema folgt, ergibt sich aus einer Menge

von Knoten,

einer Menge

von Kanten, einer Menge

von Property-Feldern, einer Menge

von

Property-Werten, einer Kanten-Label-Funktion

und einer Property-Wertzuweisungs-

Funktion µ:

= (V, E, P, S, λ, µ)

Die Kanten sind gerichtet:

E ⊆ (V × V)

Die Property-Felder stehen für Property-Schlüssel, die in einzelnen Elementen (Knoten

und Kanten) des Graphen vorkommen:

P ⊆ (V ∪ E) × R

Jeder Kante wird genau ein Kantenlabel als „Kantentyp“ zugewiesen:

λ : E → Σ

Jedem Property-Feld wird genau ein Property-Wert zugewiesen

µ : P → S

In der Praxis wird die Anwendbarkeit von Property-Graphen wesentlich von der Indi-

zierung der Elemente bestimmt. Bei dieser wird meist eine Unterscheidung in Knoten-

und Kantenproperties getroffen. Im Schema würde das eine Unterteilung in

und

erfordern, die entsprechende Änderungen in der Definition des Graphen nach sich zöge,

indem dort in

und

unterschieden werden müsste, welche wiederum mit entspre-

chend definierten

= V × R

und

= E × R

zu versehen wären. Bei der Indizierung

In der aktuellen Version 3 von Apache TinkerPop können grundsätzlich für die selben Schlüssel zu den

selben Elementen multiple Werte zugewiesen werden, was in dieser Arbeit jedoch nicht genutzt und

noch nicht von allen Systemen unterstützt wird. Deshalb soll dieser Umstand zunächst auch keinen

Eingang in diesen Formalismus finden.

2.3 Graphdatenbanken

erfolgt zudem auf Schemaebene eine Zuweisung von Datentypen oder Wertebereichen

zu Property-Schlüsseln, die zusätzlich eine Segmentierung von

nach diesem Kriterium

erfordern würden.

Da in diesem Buch der Formalismus aus den im letzten Abschnitt erläuterten Gründen

nicht mehr aufgegriffen wird, wird an dieser Stelle auf eine allzu ausführliche formelle

Beschreibung verzichtet. Ebenso wird darauf verzichtet, den Formalismus von Rodri-

guez und Neubauer für die Graphentraversierung (als Operationen auf Multigraphen)

aufzugreifen.

Bevor in Abschnitt 2.3.6 auf Seite 62 noch eine detaillierte Übersicht über Abfragemöglich-

keiten und -sprachen für Property-Graphen gegeben wird, sollen zunächst ergänzende

Bemerkungen zu einem Gebiet erfolgen, das eng mit den bisher besprochenen Themen der

Markupsprachen, Ontologien, Netzwerke, Textkollektionen und Datenbanken verwandt

ist.

2.3.5 Semantic-Web-Technologien

Angesichts der erstaunlich schnellen und weitgreifenden Popularisierung des WWW hin

zum meistgenutzten Service im Internet, war es kurz nach der Jahrtausendwende an der

Zeit, neue Visionen für eine alltagstaugliche, global vernetzte Technologie zu schaffen.

Berners-Lee, Hendler und Lassila stellten im Jahr 2001 im Artikel [

BLHL01

] das „

Semantic

Web

“ die nächste „Evolutionsstufe“ des Webs vor, das bis dahin nur universelle (und

somit unspezifische) Verknüpfungen zwischen genauso universellen (und unspezifischen)

Informationsressourcen ermöglichte. Mit der expliziten Modellierung von Bedeutungen

einzelner Aussagen sollte es damit möglich werden, eine logische Verbindung verteilt

vorliegender Aussagen (auch) durch Maschinen vornehmen zu lassen.

Als Grundlage für die maschinenlesbare Formulierung von Bedeutung wurden Tripel

aus Subjekt, Prädikat und Objekt gebildet. Ersteres steht für eine Ressource, also einen

Aussagegegenstand, dessen Identität durch einen

Identifier

gekennzeichnet werden kann.

Prädikate bilden semantische Ankerpunkte für Eigenschaften, welche das genaue Ver-

hältnis von Subjekt und Objekt spezifizieren. Das Objekt kann ein einfacher Wert eines

bestimmten Datentyps sein (eine Ganzzahl, ein Datum oder eine Zeichenkette), kann aber

auch (über deren Identifier) auf eine andere Ressource verweisen. Auf diese Weise kann

aus mehreren Aussagen ein Graph erstellt werden. (Entsprechend sind auch die NoSQL -

Kapitel 2 Forschungskontext und relevante Technologien

Technologien der Graphdatenbanken und Triple Stores im Grunde recht verwandt.)

Zur formalisierten Ressourcenbeschreibung wird im Semantic Web das Resource Descrip-

tion Framework (RDF) genutzt. In diesem werden Zeichenketten als Identifier verwendet,

die den Anforderungen an den Aufbau eines Uniform Ressource Identifier (URI) genügen.

Die nutzbaren Prädikate bilden dabei das sogenannte „Vokabular“. Das Schema, das Aus-

sagen über die grundsätzliche Validität (nicht den Wahrheitsgehalt) möglicher Aussagen

angesichts eines Vokabulars tätigt, wird als RDF Schema (RDFS) abgebildet

. Hierbei zeigt

sich ein starker Zusammenhang zu Ontologien (im informatischen Sinne). In [

HFBPL09

]

werden diese so eingeführt:

Anontologyconsists of statementsthatdefine concepts, relationships,andconstraints.

It is analogous to a database schemaor an object-oriented class diagram. The ontolo-

gy forms an information domain model.

Es wird dort weiter darauf verwiesen, dass solche Ontologien für viele Anwendungsge-

biete bereits existieren und diese auf einfachem Wege (unverändert) nachgenutzt oder

angepasst werden können. Im Kontext des Semantic Web wird für die Beschreibung von

Ontologien die OWL Web Ontology Language (OWL) verwendet. Als Ontologiesprache

besitzt sie eine höhere Komplexität und höhere Ausdrucksstärke als RDFS. Wegen der

starken Bindung des Begriffs an diese Technologie wird im Folgenden die Bezeichnung On-

tologie eher sparsam verwendet und stattdessen öfter von Daten- und Domänenmodellen

gesprochen.

Das Semantic Web bringt eine Sammlung von Basisbedeutungen für Klassen von Aussa-

gegegenständen und für grundlegende Beziehungen mit sich. Über diese ist bereits eine

sogenannte Inferenz möglich. Das Inferieren von Aussagen bedeutet: „[...]

given some

stated information, we can determine other, related information that we can also consider as if it

had been stated.

“ [

AH08

] So sind z. B. Aussagen über Superklassen auch für die Subklassen

gültig, ohne das dies explizit notiert werden muss.

Darauf aufbauend kann ein

Reasoning

erfolgen, also eine logische Folgerung der Gültig-

keit von Ausdrücken, welche mittels OWL-Konstrukten der Beschreibungslogik oder in

einer Regelsprache notiert sind. Da das Semantic Web eine verteilte Wissensumgebung

darstellt, werden beim Umgang mit Daten nach diesem Paradigma eine Reihe impliziter

Annahmen getroffen. Am prominentesten ist die sogenannte

Open World Assumption

RDFS nutzt dabei RDF-Modellierungskonstrukte, das Schema ist also Teil der Daten

2.3 Graphdatenbanken

Bezug auf im Datenbestand nicht enthaltene Aussagen: In Datenbanken gelten nicht

auffindbare Einträge als inexistent, so dass damit verknüpfte, die Existenz des Eintrags

voraussetzende Aussagen folglich als falsch interpretiert werden. Für eine Behandlung

des Semantic-Web-Datenbestandes mit Konstrukten der elementaren Logik wäre ein

solches Verhalten nicht zielführend, da aus einer falschen Prämisse bekanntermaßen

jede beliebige Aussage gefolgert werden kann. Die

Open World Assumption

geht also davon

aus, dass die Aussage existieren könnte – und nur momentan nicht im Datenbestand

zur Verfügung steht. Weitere Details zu in den Modellen gemachten Annahmen sowie

konkrete Anwendungsbeispiele für RDF-Vokabulare und in OWL modellierte Ontologien

können zum Beispiel in [HFBPL09] nachgelesen werden.

Aufbauend auf der Logik-Fähigkeit der Technologien sieht das Semantic Web auch die

Beweisbarkeit der Korrektheit von Domänenmodellen (

Proof

) sowie Schichten für das

Herstellen von Vertrauen (

Trust

) in Datenprovider, ebenso wie Querschnittsaspekte, wie

Verschlüsselung vor. In diesen Bereichen des sogenannten

Semantic Web Stack

sind bislang

jedoch keine breit adaptierten Entwicklungen vorgenommen worden. Im Bereich ma-

schinenlesbarer Semantik wurde bereits vor Aufkommen der Semantic-Web-Technologie

an Inferenzmechanismen gearbeitet, beispielsweise durch die Verknüpfung von SGML

und XML mit Prolog, vgl. [

SMHR00

]. Jedoch sind auch diese Ansätze nicht weiter verfolgt

worden.

Das Semantic Web definiert sich nicht nur durch seine Technologien, sondern in erster

Linie auch über die Wissensbasen und verteilten Ressourcen, die damit bislang realisiert

wurden. Als wichtigster Ankerpunkt für die Semantik von Begriffen und Entitäten aus

dem Bereich des enzyklopädischen Weltwissens kann das Projekt DBpedia

angesehen

werden, welches mittels eines hauptsächlich automatischen Transformationsprozesses

strukturierte Informationen aus der Wikipedia in RDF umwandelt, s. [

BLK

], bzw.

ausführlicher [LIJ

15].

Die Daten von DBpedia wurden auf dem Portal Freebase

mit weiteren Datenquellen

verknüpft und nach dessen Übernahme durch Google in deren Technologie zur semanti-

schen Suchunterstützung namens „

Knowledge Graph

“

überführt. Mittlerweile sind die

(teils auch in Freebase durch Nutzereingaben angereicherten) Daten Teil des WikiDa-

ta-Projekts

. Freebase nutzte „graphd“ als Datenbank, eine Eigenentwicklung, die in

http://dbpedia.org/

http://freebase.com/

http://www.google.com/intl/bn/insidesearch/features/search/knowledge.html

http://www.wikidata.org

Kapitel 2 Forschungskontext und relevante Technologien

[

MDGM10

] näher beschrieben ist. Es handelt sich dabei um ein Speichersystem für Tupel

unterschiedlicher Länge ohne physische Lösch- oder Änderungsoption (append-only).

Diese Projekte sind Beispiele für den Trend zur leichtgewichtigen Nutzung von Semantic-

Web-Technologien, ohne komplexe Ontologie- und Logikmodelle dafür zu definieren. Bei

einer solchen Herangehensweise wird von Linked Data, bzw. bei offenen, frei verfügbaren

Datenquellen von Linked Open Data (LOD) gesprochen. Über die gemeinsame Nutzung von

Identifiern können verteilte Wissensspeicher ohne direkte Kommunikationsaufwände

„aufeinander referenzieren“. Es formiert sich bei entsprechend sorgfältiger Auswahl von

Identifiern ein Netz von auf Instanzebene verknüpften Datenquellen, die im Idealfall

viele gemeinsame und etablierte Vokabulare verwenden.

Während im Semantic Web der Fokus auf semantisch ausgezeichneten strukturierten

Informationen liegt, existieren Arbeiten, die eine enge Verzahnung mit unstrukturierten

Informationsquellen anstreben, s. etwa [

Lad13

] zum Umgang mit hybriden Datenbestän-

den aus textuellen Quellen und strukturierten Informationen mittels RDF -Technologien.

Das Semantic Web besitzt dabei eine große Nähe zu Markupsprachen. So existieren An-

sätze zur Nutzung der Graphstruktur von RDF für eine verbesserte Repräsentation von

markupbasierten Texten, z. B. mit „Extremely Annotational RDF Markup (EARMARK) “,

vgl. [

DIPV11

], wo eine enge Anlehnung an Formate für

Wordprocessing

-Software stattfin-

det. Andererseits kann XML z. B. auch als Serialisierungsform für RDF und OWL verwendet

werden und viele der im Semantic Web verwendeten Techniken entstammen direkt oder

indirekt dem Umfeld von XSL und HTML. Dabei ist die Nutzung von Markupsprachen

nicht für alle Anwendungsfälle unumstritten, wie z. B. [SET09] anmerkt:

One of the major criticisms of semantic web formats like RDF/XML is that they are

too complicated and too much of a hassle for a designer or webmaster to bother im-

plementing.

Als Alternative für Web-

Publisher

wird dort weiter beschrieben, wie sich RDF -Prädikate in

Form sogenannter Mikroformate oder unter Nutzung von HTML-Attributen in Webseiten

ausdrücken lassen. Auch neue Strömungen innerhalb der Linked-Data-Community sagen

sich langsam von XML und textuellem Markup als Austauschformat los. Mittlerweile

existiert z. B. eine für Webservices einfach nutzbare JSON-basierte Serialisierung für

Linked Data, s. [SLK

14].

Für diese Szenario ist es hilfreich, für die Identifizierung von Aussagegegenständen stets mehrere

Identifier anzugeben und diese damit als äquivalente Bezeichner zu deklarieren.

2.3 Graphdatenbanken

Neben RDF -basierten oder auf Tupeln beruhenden Herangehensweisen wurden weite-

re alternative Semantikmodelle entwickelt. Mit Topic Maps [

ISO13250

] wurde ein ISO-

Standard geschaffen, der sich u. a. in das

Topic Maps Reference Model

mit grundlegenden

Aussagen zu Identität von Entitäten und das

Topic Maps Data Model

mit konkreten Model-

lierungskonstrukten gliedert. Das darin beschriebene Assoziationsmodell erlaubt es, in

einer einzigen Aussage mehr als zwei Aussagegegenstände in Beziehung zu bringen, wo-

bei es möglich ist, die jeweils von ihnen eingenommene Rolle genauer zu spezifizieren. Im

praktischen Einsatz konnte sich die Topic-Maps-Technologie jedoch nicht durchsetzen.

Trotz komplett unterschiedlicher Ausrichtung, divergierender Auffassung zur Festlegung

eines Datenschemas und stark getrennter Werkzeug-Umgebungen herrscht insgesamt

doch eine große Verwandtschaft zwischen Semantic-Web-Wissensbasen und Graphda-

tenbanken. Diese zeigt sich u. a. in den Abfragemöglichkeiten, die im nächsten Abschnitt

vorgestellt werden sollen.

2.3.6 Abfragesprachen

Wie in vielen Programmier- und Abfragesprachen wird auch im Umfeld der Graphdaten-

bankabfrage in deklarative und imperative Sprachen (bzw. Sprachteile) unterschieden.

Deklarativ wird notiert, welche Eigenschaften und Strukturen in den Ergebnissen ge-

wünscht sind, woraufhin eine Ausführungs-

Engine

die entsprechend dafür notwendigen

Berechnungsschritte selbstständig ermittelt und in selbst festgelegter Sequenz durch-

führt. Imperativ werden vom Nutzer einzelne Abarbeitungsschritte festgelegt, die dann

in vorgegebener Reihenfolge ausgeführt werden.

Die Abfrage von Graphdatenbanken ist aus wissenschaftlicher Sicht gut erforscht. Um-

fangreiche Vergleiche und eigene Weiterentwicklungen von Abfrageansätzen werden

z. B. in [

BLLW10

] und [

Woo12

] vorgenommen. Für das bereits vorgestellte Tupelsystem

„graphd“ wird in [

MDGM10

] eine Abfragesprache präsentiert, die einen sehr niedrigen

Abstraktionsgrad gegenüber der genutzten Speicherstruktur aufweist. In Freebase wurde

aufbauend darauf eine JSON-basierte Abfragesprache eingeführt, die Abfragen auf der

Ebene des logischen Datenbankschemas ermöglicht, vgl. [

Fla09

]. Dabei handelt es sich um

eine deklarative mit

Templates

arbeitende Sprache – es werden dort „Vorlagen“ für die Er-

gebnisausgabe erstellt, deren Lücken dann durch Bindung mit passenden realen Daten der

Abfrageergebnisse gefüllt werden. Grundsätzlich damit vergleichbar ist die von Facebook

Kapitel 2 Forschungskontext und relevante Technologien

vorgestellte (auf die Anfrage an Facebook-APIs beschränkte) Sprache GraphQL

Für die Mustersuche in Graphen wurden in den vergangenen Jahren viele theoretische

und technologische Fortschritte erzielt, s. z. B. [

FLM

]. Ein effizientes

Pattern Matching

bildet auch die Grundlage von SPARQL Protocol And RDF Query Language (SPARQL), einer

deklarativen Abfragesprache, die hauptsächlich im Umfeld des Semantic Web eingesetzt

wird, z. T. aber auch von Proprty-Graph-Systemen unterstützt wird. Für die im deklara-

tiven Bereich notwendige Ausführungsoptimierung für Anfragen ist die grundsätzlich

„schemafreie“ Natur von RDF-Graphen wenig geeignet. Werden die in RDF kodierten

Schemainformationen von der Datenbank nicht gesondert behandelt, kann ein einfaches

Tripel zwei verschiedene Klassen oder Eigenschaften gleichsetzen und damit Millionen

von Instanzdatensätzen beeinflussen, so dass die komplette Topologie des Graphen sich

ändert. Die für eine automatische

Query

-Optimierung nötige statistische Erfassung von

Häufigkeiten bezüglich Klassen, Eigenschaften und Eigenschaftswerten kann in einem so

freien Umfeld nicht effizient erfolgen.

Bei Property-Graph-Datenbanken ist das Schema zwar ebenfalls einfach anpassbar, wird

jedoch nicht in Form von Datenbankeinträgen verwaltet. Auch sind im laufenden Betrieb

keine willkürlichen Änderungen an bestehenden (und mit Indizes versehenen) Eigen-

schaften oder Kantentypen möglich. Das ermöglicht es deklarativen Abfragesprachen, wie

„Cypher“

, einen Auführungsplan statistisch informiert aufzustellen. Über das Projekt

openCypher

wird diese Abfragesprache derzeit auch für den Einsatz außerhalb von

Graphdatenbanken erweitert.

Auf der Seite der Abfragesprachen mit imperativem Anteil besitzt Gremlin, s. [

Rod15

], die

größte Verbreitung. Bei Gremlin-Abfragen wird üblicherweise eine Kette von Traversie-

rungsoperationen beschrieben, nach deren Ausführung die gesuchten Elemente selektiert

sind. Bei der Planung effizienter Abfragen wird Modell- und Domänenwissen benötigt.

Im Gegenzug fällt eine zielgerichtete Optimierung leichter, da innerhalb der Abfragen

alle Details der Ausführung einzeln gesteuert werden können. Gremlin ist Bestandteil

von Apache TinkerPop und kann daher als Basis genutzt werden, um mit der gleichen

Abfragesprache sowohl OLTP-Anfragen (in Graphdatenbanken im eigentlichen Sinne

dieser Arbeit) und OLAP-Anfragen (in sogenannten Graph Processors) zu formulieren.

http://graphql.org/learn/

http://neo4j.com/developer/cypher-query-language/

http://www.opencypher.org/

2.4 Vorarbeiten und verwandte Gebiete

Andere Daten- und Semantikmodelle bringen jeweils ihre eigenen Abfragemethoden mit

sich. Für Topic Maps existiert unter anderem die Topic Maps Query Language (TMQL). Die

Abfrage von Baumstrukturen z. B. über Pfadausdrücke kann in XML-Datenbanken über

Werkzeuge zur Elementselektion der XSL erfolgen. Letztlich sind auch Abfragesprachen

für relationale Datenbanksysteme (allen voran SQL) zur Graphabfrage geeignet, solange

zur Bestimmung des Ergebnisses nur überschaubar viele

Join-Statements

notwendig sind.

2.4 Vorarbeiten und verwandte Gebiete

Nach der ausführlichen Vorstellung der drei großen Themenkomplexe aus dem Titel

dieses Buches sollen nun Themen herausgegriffen werden, die eine besondere inhaltli-

che oder technologische Nähe zu den in dieser Arbeit vorgestellten Überlegungen und

Ergebnissen besitzen.

Eine umfangreiche und vielschichtige Betrachtung zum Wesen von Text und zu den

bisherigen Möglichkeiten der Textrepräsentation wird in [

Sah13

] aus Sicht der wissen-

schaftlichen und praktischen Editorik stellvertretend für viele textbezogene geisteswis-

senschaftliche Fachrichtungen vorgenommen. Es ist praktisch nicht möglich (und darüber

hinaus wohl auch nicht sinnvoll), für solche umfassenden Ansätze der Systematisierung

mit all ihren vielschichtigen Sichtweisen allgemeine digitale Repräsentationsformen zu

finden. Im Folgenden werden daher Ansätze und Werkzeuge vorgestellt, die Teilaspekte

der Textrepräsentation, Textanalyse und Textrecherche im Rahmen der e-Humanities

bearbeiten.

Zum einen existieren zahlreiche generische Text-Mining-Werkzeuge, allen voran die

die Voyant Tools

von Sinclair, Stéfan und Rockwell. Diese werden auf der Webseite

als „

web-based reading and analysis environment for digital texts

“ vorgestellt. Sie bieten dem

Nutzer einen schnellen Einstieg in digitale Textanalyse, u. a. auch, weil bei webbasierten

Systemen keine Hürden für eine Softwareinstallation existieren und weil einige kleine

Beispielkorpora bereits im System angeboten werden und zum Einarbeiten in das Werk-

zeug einladen. Die Voyant Tools vereinen etablierte Visualisierungsansätze mit einfacher

frequenzbasierter Wortstatistik, berücksichtigen jedoch für die Analysen keine Metada-

ten, Strukturinformationen oder Annotationen. Der Funktionsumfang der Voyant-Tools

(und ihrer Vorgängersoftware „HyperPo“) werden in [

Joc13

] als „

self-serve analysis tools for

http://voyant-tools.org/

Kapitel 2 Forschungskontext und relevante Technologien

traditional concording and co-occurrence alongside more experimental widgets for the processing

and deforming of textual data

“ beschrieben. Viele der experimentellen Funktionen wer-

den jedoch nicht länger angeboten, sind nicht gewartet oder nicht in neuere Versionen

übertragen worden. Aus der Entwicklung der Werkzeuge sind jedoch viele interessante

Erkenntnisse entstanden, die durch entsprechende Publikationen verbreitet werden.

Sinclair gibt z. B. in [

Sin03

] den wichtigen Denkanstoß: „

Design of new tools [...] should give

full space to how literary critcs interact with texts, rather than simply focus on what computers

can do well.“

Daneben gibt es noch eine große Zahl spezialisierter Rechercheumgebungen, welche an

einzelne Projekte oder Korpora gebunden sind oder welche für bestimmte Einsatzzwe-

cke in Forschungsinfrastrukturen vorgehalten werden. Erstere sind z. T. als

Open Source

Software

frei verfügbar und so (zumindest theoretisch) auf eigene Bedürfnisse anpassbar.

Letztere Systeme lassen sich durch die Serviceorientierung der Infrastrukturen meist

mit weiteren Werkzeugen kombinieren, dagegen aber in der Regel nicht umfassend

anpassen.

Die Erarbeitung eines Überblicks über alle existierenden Werkzeuge allein böte genügend

Stoff für eine eigenständige Dissertationsschrift, weshalb an dieser Stelle nur auf we-

sentliche Vorarbeiten im Sinne der vorgestellten Forschungsfragen eingegangen werden

kann. Für die Verbindung von Textmodell und Graphenrepräsentation existieren einige

Präzedenzfälle, die hier eine eingehendere Erwähnung finden sollen:

Seit 2006 existiert ein jährlich im Rahmen verschiedener Konferenzen abgehaltener

„

Workshop on Graph-based Algorithms for Natural Language Processing

“

. Dort liegt der Fo-

kus auf Algorithmik und dem Aufbau einer Graphstruktur als Vorverarbeitungsschritt

für Verfahren der automatischen Sprachverarbeitung. Auch im Rahmen anderer Veran-

staltungen und in Journalen wird diese Arbeitsweise zuweilen aufgegriffen.

Es kommen dabei z. T. sehr unterschiedliche Formen der Graphinduktion zum Einsatz,

da die Entscheidung, welche Analyseeinheiten durch Knoten und Kanten repräsentiert

werden sollen, in diesen Szenarien stark vom anzuwendenden Algorithmus (und natürlich

der Zielstellung) abhängt.

In [

MT04

], wo die Anwendung des PageRank-Algorithmus

auf graphförmige Textreprä-

sentationen vorgestellt wird, heißt es zu dieser Thematik:

http://www.textgraphs.org/

s. [PBMW99]

2.4 Vorarbeiten und verwandte Gebiete

„

Depending on the application at hand, text units of various sizes and characteristics

can be added as vertices in the graph, e.g. words, collocations, entire sentences, or

others. Similarly, it is the application that dictates the type of relations that are used

to draw connections between any two such vertices, e.g. lexicalor semantic relations,

contextual overlap, etc.“

Oft wird dabei eine sehr kondensierende Sichtweise gewählt, die auf bestimmte An-

wendungsfälle abgestimmt ist, wie z. B. in [

RV13

], wo ein „

Graph-of-word

“-Modell als

ungewichtetes gerichtetes Netzwerk von Kookkurrenztermen aus der Sequenz des Textes

abgeleitet wird.

Ansätze aus der Linguistik modellieren Texte meist feingliedriger, etwa unter Angabe

des Dependenzgraphen, Abbildung einzelner Wörter des Fließtexts, sequenzieller Ver-

knüpfung von Sätzen, aber auch weiteren relevanten Aspekten, wie einer verknüpften

Repräsentation von Koreferenz, vgl. [

MES07

]. Die Graphenrepräsentationen verschie-

dener gängiger Annotationsformate können in einer gemeinsamen Graphstruktur zu-

sammengeführt und vereinheitlicht werden, wie etwa in [

IS07

] vorgestellt. Seit diesen

Veröffentlichungen von 2007 ist jedoch keine universelle Adaption dieser Ideen innerhalb

der Computerlinguistik oder in die Korpuslinguistik hinein zu beobachten.

Neuere Arbeiten zur nicht-persistenten Repräsentation von Korpora mit mehrschichti-

gen linguistischen Annotationen umfassen z. B. die Arbeiten von Neumann, s. [

Neu15

für die verlustlose Konvertierung zwischen linguistischen Annotationsformaten. Eng

verwandt damit sind die Arbeiten zu „Salt“

, einem „Theorie-neutralen Metamodell“ für

linguistische Annotationen, s. [ZR10].

Ansätze, in denen der Graph nicht nur als Speicherungsform oder Werkzeug zur For-

matkonvertierung angesehen wird, sondern als umfassender digitaler Repräsentant des

textuellen Untersuchungsgegenstandes, kommen insbesondere bei Textanalysen auf

lexikalisch-semantischer Ebene zum Einsatz. In [

MGWD10

] werden z. B. die Metadaten

der Dokumente verwendet, um die korpusweite zeitliche Dynamik der Interaktion von

Vokabular (in diesem Fall auf der Ebene von Lexemen) zu untersuchen. Der Fokus liegt

dabei auf einer Nutzung linguistischen Wissens für die Analyse der Texte, wobei die

Ideen für die Netzwerkinduktion von kookkurrenzbasierten Modellen bis zur Nutzung

von

Word Embeddings

weiterentwickelt wurden, vgl. [

EM16

]. Einen dazu passenden (nicht

auf Graphentechnologien basierenden) Beitrag zur feingranularen Aggregierung von

http://corpus-tools.org/salt/

Kapitel 2 Forschungskontext und relevante Technologien

Kollokationen (also Kookkurrenzwörtern in gewünschten Kontexten) in großen Korpora

auf der Basis von Dokumentzeitstempeln bietet das Werkzeug DiaCollo, s. [JGW16].

In einigen allgemeineren Ansätzen ohne Fokus auf das

Text Mining

wird versucht, das

abstrakte Modell der TEI-Spezifikation von XML losgelöst zu betrachten und z. B. mit

Semantic-Web-Methoden zu modellieren, wie etwa in [

TMK

] und [

CSFF16

]. Schmidt

fasst in [

Sch10

] umfassend die bestehenden Bedenken gegen das OHCO-Modell zusammen

und schlägt als Nachfolgetechnologie sogenannte „

Multi-Version Documents

“ vor, die in

einer Graphrepräsentation vorliegen und mehrere Varianten und Lesarten gleichzeitig

abbilden können. Anwendungsfälle einer solchen Kodierung von Textvarianten in der

Manuskripterfassung wurden dabei bereits in [Sch06] vorgestellt.

Nicht nur Texte, sondern auch lexikalische Ressourcen, die für deren Analyse herangezo-

gen werden können, lassen sich gewinnbringend in Graphenform vorhalten und darin

zielgerichtet abfragen. Als konzeptuelle „Weiterentwicklung“ digitaler Thesauri wurde

bereits Mitte der 1980er Jahre, mit WordNet

eine als Netzwerk strukturierte Ressource

geschaffen, in der Beziehungen nicht mehr nur auf der Ebene von Wörtern, sondern von

Wortbedeutungs-Einheiten

modelliert sind, s. z. B. [

Fel98

]. Seitdem wurde z. B. in [

Tri06

]

mit dem

Lexicon Graph

eine graphbasierte Lösung zur Zusammenführung verschiedener

lexikalischer Ressourcen geschaffen und mit UBY

ein sehr umfassende Datensammlung

erstellt, s. [

GEKH

], welche sich über einen RDF-Export in eine Graphdatenbank einle-

sen lässt, vgl. [

EKMC15

]. Eine gleichzeitige Betrachtung von lexikalischen Ressourcen und

Textannotationen ermöglicht die Arbeit von Damerow zu einer Forschungsumgebung,

die auf die „Meso-Skale“, also den Bereich zwischen Mikro- und Makrosicht auf Text,

abzielt, s. [Dam14]. Dort wird eine Graphstruktur aus Quadrupeln

modelliert.

Neben text- und wortbezogenen Modellen werden auch solche Ansätze verfolgt, die sich

bewusst auf Aspekte der Strukturrepräsentation beschränken. Im Jahr 2008 wurde von

Liu und Smith in Reaktion auf die Unzulänglichkeiten des OHCO für die digitale Erschlie-

ßung von Manuskripten auf Grundlage des relationalen Datenbankmodells in [

LS08

] eine

flexible Modellierung einzelner Text enthaltender Objekte unterschiedlicher Granularität

vorgestellt. Diese werden in Sequenz und als Netzwerk, welches aus unterschiedlichen

„Kantentypen“ aufgebaut ist, beschrieben. Die einzelnen „Sprachobjekte“ werden dabei

allerdings nicht genauer charakterisiert. Dazu heißt es:

http://wordnet.princeton.edu/

sogenannten Synsets, welche auf Synonymie basieren

http://www.ukp.tu-darmstadt.de/data/lexical-resources/uby/

welche als „kontextualisierte“ Tripel verstanden werden

2.4 Vorarbeiten und verwandte Gebiete

An alternate model might define text, therefore, as "a labelled network of language

objects." A "language object" is like the "content object" in the OHCO model; exam-

ples of language objects are chapters, lines, pages, paragraphs, words, [...]

This is a more flexible model than the hierarchical, where the relationships between

elements are implied by the hierarchical structure [...]

The network model is more useful for exploratory projects [...]

Ein Projekt mit ähnlichem Fokus auf die Modellierung von Struktur allein ist die bereits

erwähnte CITE-Infrastruktur mit den CTS-Zugriffsmöglichkeiten. Dort wird für kanoni-

schen Text, also Dokumente oder ganze Korpora mit jeweils wohl definierten Primär-

hierarchien für die Strukturierung eine technische Repräsetationsform über Semantic-

Web-Technologien geschaffen, die als Spiegel der traditionellen Editionspraxis fungieren

soll.

Aus den Reihen der Digitalen Geisteswissenschaften werden derzeit darüber hinaus einige

Experimente zur Nutzung von Graphdatenbanken durchgeführt. In [

KA16

] liegt dabei der

Schwerpunkt in der Stemmatologie, der netzwerkartigen Auflistung von handschriftlich

niedergeschriebenen Varianten eines Textes zur Rekonstruktion seiner Überlieferungs-

geschichte. Auch dort müssen dazu feingliedrigere Modellierungsebenen der einzelnen

Texte beachtet und abgebildet werden. Dabei wird der Text als dokumentübergreifend

verknüpfte Sequenz von Textteilen in der Graphdatenbank abgebildet, ohne dass je-

doch ein graphbasiertes Modell für diese Textteile selbst entwickelt wird. Es heißt dazu:

„So sind Einheiten, wie zum Beispiel Single-Wörter, Sätze oder ganze Paragraphen, etc.

vorstellbar.“

Aus einer Reihe weiterer Experimente zur Nutzung von Graphdatenbanken in den Geis-

teswissenschaften

ist ein kürzlich erschienener Beitrag im Bereich der digitalen Edi-

tionswissenschaft hervorzuheben: In [

Kuc16

] wird eine erste, sehr vielversprechende

Machbarkeitsstudie zur Abbildung von TEI-Editionen in Property-Graph-Datenbanken

vorgestellt. Auch hier wird jedoch kein besonderes Augenmerk auf eine Weiterverar-

beitung der Daten mittels

Text-Mining

-Verfahren oder die Abbildung großer Korpora

gelegt.

s. http://mittelalter.hypotheses.org/5089 und http://mittelalter.hypotheses.org/5995

Kapitel 2 Forschungskontext und relevante Technologien

2.5 Ableitbare Systemanforderungen

Unter Berücksichtigung der bis hierhin skizzierten Bedürfnisse digitaler geisteswissen-

schaftlicher Forschung und der aktuellen Entwicklung im technologischen Umfeld der

Textrepräsentation, lassen sich einige zentrale Anforderungen an ein neuartiges, ergän-

zendes Recherchesystem definieren.

Das Ziel, in dieser Arbeit die Grundlage für alternative Ansätze bei der Entwicklung

textbezogener Recherchesysteme zu schaffen, geht mit einer technologischen Abkopp-

lung von bisherigen Standardlösungen einher. Bei der Konzeption dieser Alternative

sollen die Stärken der verschiedenen oben gelisteten Vorarbeiten berücksichtigt werden.

Da die Entwicklung von Recherchewerkzeugen stets ein interdisziplinärer Prozess ist

(oder zumindest sein sollte), sind – auf verschiedenen Ebenen – auch unterschiedliche

Nutzergruppen involviert. Die Systemanforderungen aus Sicht von Informatikern, Pro-

grammierern und Nutzern aus den Sozial- und Geisteswissenschaften sind divers und

sicher nicht in jedem Fall miteinander vereinbar. Die Anwendungsgebiete sind darüber

hinaus deutlich zu breit für die Durchführung einer verallgemeinernden softwaretech-

nischen Domänenanalyse, z. B. entsprechend [

KCH

]. Die letztendliche Spezifikation

eines spezialisierteren Recherchesystems muss daher einzelfallbezogen in einem gemein-

samen Prozess enger Abstimmung stattfinden, der im Rahmen dieses Buches so nicht

vollzogen werden kann. Dem Autor ist bewusst, dass die Auswahl und Wichtung der

folgenden Aspekte daher durchaus subjektive Züge trägt.

Es wurde jedoch darauf geachtet, die Anforderungen so zu formulieren, dass sie nicht

einer konkreten finalen Spezifikation vorweggreifen, sondern vielmehr deren Findung

unterstützen. Über den vorgestellten Aspekten steht eine zentrale Kernanforderung: die

Schaffung einer flexiblen Technologie. Flexibilität ist dabei eine schwer zu definierende

Größe. Sie wird in [

NYSC00

] als „

measure of the potential rather than performance

“, „

user-

or situation specific

“ und zudem „

difficult to determine a priori

“ beschrieben. Nur wenn die

erstellte Software durch Erweiterungsmöglichkeiten oder generische Lösungsansätze

auch außerhalb ihrer ursprünglichen Spezifikation einsetzbar ist, kann auf die Fülle an

Themen und Forschungsperspektiven sowie die Besonderheiten von Quellensammlun-

gen, welche die Anwendungsdomäne mit sich bringt, adäquat reagiert werden. Unter

Berücksichtigung dieser angestrebten systematischen Flexibilität und mit Blick auf die

bestehenden Werkzeuge und vorgestellten Vorarbeiten lassen sich im Einzelnen die

folgenden Schlagwörter herausgreifen:

2.5 Ableitbare Systemanforderungen

Non-destruktive Datenhaltung:

Die Akzeptanz eines Recherchesystems steht und fällt mit dem Vertrauen in seine Quel-

lentreue. Falls die ins System eingespeisten Roh-Textdaten für weitergehende Analysen

umgeformt werden müssen, (z. B. um nicht-standardisierte Orthographie zu vereinheitli-

chen), so muss jederzeit die Möglichkeit zur Rekonstruktion der Originaltexte aus der

internen Repräsentation heraus bestehen. Dabei sollte der Rückschluss von den transfor-

mierten auf die originalen Stellen möglichst direkt erfolgen können. Der Nutzer sollte

auch nach dem initialen Einlesen die Möglichkeit zur forschungsgeleiteten Anpassung

der internen Repräsentation haben, ohne das Original separat verändern zu müssen oder

seine Integrität unabsichtlich zu kompromittieren.

Vorberechnungsfreie Statistiken:

Da zu erwarten ist, dass sich in explorativen Untersuchungen der Textbasis häufig der

Analyseschwerpunkt ändert, und viele unterstützende statistische Auswertungen dann

am aussagekräftigsten sind, wenn Sie direkt den aktuellen Kontext betreffen, müssen

Möglichkeiten geschaffen werden, statistische Berechnungen so vorzunehmen, dass sie

diesen häufigen Kontextwechseln in besonderem Maße gerecht werden. Statt, wie üblich,

zunächst das manuelle Definieren von Subkorpora zu erfordern, um anschließend eine

Offline

-Neuberechnung von Statistiken auf Basis dieser eingeschränkten Textsammlung

vorzunehmen, sollten statistische Auswertungen möglichst ohne Vorberechnung und

direkt auf der bestehenden Datenbasis unter Einschränkung auf den aktuellen Kontext

durchführbar sein.

Interaktive Bedienung mit vertretbaren Antwortzeiten:

Die Steuerung des Analysevorgangs durch den Forscher muss zu jedem Zeitpunkt eine

Änderung von Parametern und Rückführung interessanter Resultate auf neue Recherchen

ermöglichen. Lange Wartezeiten zwischen dem Absetzen einer Anfrage und der Anzeige

von Ergebnissen hemmen dabei die Produktivität und stören überdies den immersiven

Recherchevorgang. Bei potentiell langen Vorgängen ist eine interaktive Rückmeldung

über den aktuellen Bearbeitungsstand wichtig. Zudem ist es wünschenswert, etwaige Zwi-

schenergebnisse ohne unnötige Wartezeiten bis zum Abschluss des Gesamtvorgangs zu

erhalten. Das Abbrechen von nicht länger gewünschten Anfragevorgängen soll jederzeit

möglich sein.

Unterstützung navigierender und explorierender Visualisierungstechniken:

Zusätzlich zu interaktiven und vorberechnungsfreien Abfragen muss ein exploratives

Recherchesystem in der Lage sein, eine lokale Sicht auf die Daten abzubilden. Angren-

Kapitel 2 Forschungskontext und relevante Technologien

zende Kontexte müssen direkt erreichbar und einfach aggregierbar sein. Eine Erhöhung

und Verringerung des Detailgrads ausgegebener Informationen sollte möglich sein, um

Abstraktion und das Aufdecken von Abhängigkeiten zu ermöglichen.

Gute Integrierbarkeit bei Vermeidung technologischer „Medienbrüche“:

Das System soll flexible Möglichkeiten für den Import von Daten aus Quellensammlun-

gen und Drittsystemen bieten. Ein großer Möglichkeitsraum für Transformation und

Abfrage soll die Notwendigkeit für einen gleichzeitigen Einsatz weiterer Analysesysteme

reduzieren, um eine schwer zu synchronisierende und potentiell inkonsistente Daten-

haltung in mehreren Systemen zu vermeiden. Um jedoch kein „Datensilo“ zu erzeugen,

soll das System ebenso flexible Möglichkeiten für die Serialisierung und den Export für

die Weiterverarbeitung von Daten und Rechercheartefakten in anderen Programmen zur

Verfügung stellen und unabhängig von konkreten Austauschformaten sein.

Weitestgehende Sprach- und Skriptunabhängigkeit:

Für eine breite Anwendbarkeit des Systems muss gewährleistet sein, dass es mit einer

Vielzahl an Quellensorten und Quellensammlungen kompatibel ist. Insbesondere sollten

keine Beschränkungen bei alternativen Schreibrichtungen (u.a. von rechts nach links), un-

gewöhnlichen Alphabeten oder Texten, die mit Sonderzeichen durchsetzt sind, auftreten.

Die Übertragbarkeit für die damit entwickelten Verfahren sollte durch die Entkopplung

von sprachabhängigen und sprachunabhängigen Aspekten im Datenmodell und im Ba-

sisprogramm begünstigt werden. Bei all dieser methodischen Offenheit sollte jedoch

berücksichtigt werden, dass keine voreilige Ausrichtung auf seltene Sonderfälle geschieht:

Standardfälle sollten sich sehr einfach handhaben lassen und komplexe Randphänomene

lediglich grundsätzlich (ggf. mit angemessenen Zusatzaufwänden) abbildbar sein.

Kapitel 3

Kadmos – ein graphbasiertes

Recherchesystem

Οἱ δὲ Φοίνικες οὗτοι οἱ σὺν Κάδµῳ ἀπικόµενοι, τῶν ἦσαν οἱ

Γεφυραῖοι, ἄλλα τε πολλὰ οἰκήσαντες ταύτην τὴν χώρην ἐσήγαγον

διδασκάλια ἐς τοὺς ῞Ελληνας καὶ δὴ καὶ γράµµατα, οὐκ ἐόντα πρὶν

῞Ελλησι ὡς ἐµοὶ δοκέειν, πρῶτα µὲν τοῖσι καὶ ἅπαντες χρέωνται

Φοίνικες·

Diese Phönizier, die mit Kadmos kamen, unter denen sich auch die

Gephyräer befanden, haben mit sich viele Lehren zu den Hellenen

gebracht, insbesondere auch die Schriftzeichen – welche diese vorher

nicht hatten, wie ich meine – die anfangs gleich den phönizischen

waren.

Herodot von Halikarnassos

Griechischer Historiker und Geograph

[Hdt. 5.58.1], ins Deutsche, entsprechend des Herodot-Korpus

Kapitel 3 Kadmos – ein graphbasiertes Recherchesystem

3.1 Entwicklungsziele

Bei der Entwicklung der Rechercheanwendung Kadmos

wird das Ziel verfolgt, die im

letzten Kapitel beschriebenen Technologien so einzusetzen, anzupassen und zu erweitern,

dass die herausgearbeiteten Systemanforderungen erfüllt sind. Konkret bedeutet das,

dass ein System geschaffen werden muss, durch welches eine breite Anwendbarkeit der

Technologie für eine Vielzahl denkbarer Anwendungsfällegewährleistetist. Entsprechend

sollte diese gewünschte Flexibilität anhand verschiedener Korpora in verschiedenen

Alphabeten und Sprachen nachgewiesen werden.

Da das System quantitative Aussagen für den Forschungsbereich ermöglichen soll, muss

die Korrektheit zurückgelieferter Ergebnisse gewährleistet sein, so dass keine Approxima-

tionen im Kern des Systems stattfinden dürfen. Sind (potentiell schneller zu erlangende)

Näherungen für einen Anwendungsfall zulässig, so sollten diese explizit vom Nutzer

angefordert werden. Das System muss dabei genügende Anpassbarkeit aufweisen, um

dafür gegebenenfalls nötige Hilfskonstrukte in das Datenmodell einfügen zu können

bzw. die entsprechenden Abfragen in einer alternativen Art und Weise zu formulieren,

so dass näherungsweise Resultate zurückgegeben werden können. Insgesamt soll das

Grundsystem so wenige Annahmen über die abzubildenden Quellen und die späteren

Anfrageszenarien tätigen, wie möglich.

Im Sinne universeller Nutzbarkeit und guter Wartbarkeit soll das System seine Funktionen

über serverbasierte Dienste anbieten, um eine lose Kopplung der Komponenten zu errei-

chen. Werden die Services dann über webbasierte Schnittstellen angeboten, erlaubt dies

eine flexible ortsungebundene Nutzung auch auf leistungsschwächeren Endgeräten.

Im Lichte allgemein steigender Anforderungen an serverbasierte Softwaresysteme, etwa

im Hinblick auf kurze Antwortzeiten, massiv-parallele Zugriffe, ständige Erreichbarkeit

und nur durch Hardwaregrenzen limitierte Erweiterbarkeit des Datenbestandes, haben

sich neue Entwurfsmuster für komplexe Anwendungen entwickelt. Der Aufbau von Kad-

mos soll sich an den Architektur- und Entwicklungsrichtlinien des 2014 konzipierten

Reactive Manifesto

orientieren, insoweit das für eine prototypische akademische Software

(mit perspektivisch zunächst eng umgrenzter Nutzerzahl) sinnvoll ist.

Der Name Kadmos leitet sich nicht von einem technischen Akronym ab, sondern ist von der gleichnami-

gen Sagengestalt des klassischen Altertums entlehnt, die hier symbolisch für den Technologietransfer

im Bereich verschriftlichter Sprache stehen soll.

http://www.reactivemanifesto.org/

3.1 Entwicklungsziele

Konkret bedeutet das zum einen, dass die angesprochene lose Kopplung von Programm-

teilen (wie sie in modularen Softwaresystemen und objektorientierten Umgebungen

bereits lange praktiziert wird) wo immer es möglich und sinnvoll ist, durch asynchrone

Anfrage-Ausführung und Kommunikation der Komponenten unterstützt werden soll.

Dadurch werden Latenzen verringert und Ressourcen effektiver genutzt. Weiterhin soll

eine Skalierung des Systems durch

Sharding

und

Replikation

auch auf Cluster aus meh-

reren Rechnern unterstützt werden. Dabei sollen Daten persistent gespeichert und in

konsistenter Form abgefragt werden können. Das Antwortverhalten für übliche Abfragen

soll sich zudem im Bereich der

Realtime

-Interaktion, also in der Regel maximal im Bereich

von Sekunden, nicht von Minuten bewegen.

Bei der Entwicklung von Kadmos soll zudem ein besonderes Augenmerk auf prototypische

Entwicklung gelegt werden. In [

GR10

] argumentieren Galey und Ruecker, dass Prototypen,

da sie so viel implizites Wissen, Abstraktionen und Vorannahmen enthalten, genau wie

wissenschaftliche Papiere (und zunehmend auch digitale Datensammlungen) einem

Peer-

Review

-Prozess unterzogen werden sollten. Für eine solche zukünftige Anforderung ist es

von Vorteil, über einheitliche Modellierungs- und Ausführungsumgebungen zu verfügen.

Hat das Kernsystem erst einmal im Review-Prozess bestanden, muss ggf. künftig nur

noch die jeweilige Erweiterung von Experten untersucht werden.

Ruecker unterscheidet in [

Rue15

] für das Umfeld von Digital-Humanities-Projekten drei

Arten der prototypischen Systementwicklung: Bei „produktionsgetriebenen“ Prototypen

steht die schrittweise Verfeinerung eines Rohprodukts hin zu einem stabil lauffähigen

Produktivsystem im Fokus. Bei „experimentellen“ Prototypen ist das Ziel eher, generali-

sierbares Wissen über Daten, Methodik und Forschungsfragen aus dem Erstellungsprozess

abzuleiten. Schließlich werden bei so genannten „

provotypes

“ auf provokative Weise Ge-

wohnheiten und Erwartungen durch innovative Herangehensweisen hinterfragt und

herausgefordert, was sich meist in alternativen Nutzeroberflächen und Interaktionsfor-

men widerspiegelt.

Mit Kadmos soll eine geeignete Plattform für alle drei dieser Herangehensweisen ge-

schaffen werden. Ziel ist es, eine robuste technologische Grundlage für neuartige Recher-

chewerkzeuge über ein feingliedriges, viele Kontexte zugänglich machendes Datenbank-

system mit interaktiven Abfragemöglichkeiten und großem Erweiterungspotential zu

schaffen. Das dafür verwendete digitale Ordnungs- und Zugriffsschema wird im nächsten

Abschnitt vorgestellt.

Kapitel 3 Kadmos – ein graphbasiertes Recherchesystem

3.2 Daten- und Domänenmodell

Für die Modellierung von Korpora, aber auch von Querschnittsaspekten, wie der Nutzer-

daten- und Rechteverwaltung, wird in Kadmos das Property-Graph-Modell verwendet.

Falls dabei für Knoten grundsätzlich mehrere Werte für eine Eigenschaft zugelassen

werden sollen (z. B. Namen von Autoren, Login-Identitäten von Nutzern), so werden die

entsprechenden Eigenschaften-Wert-Paare jeweils in einem neuen Knoten abgespeichert,

welcher über eine entsprechende Kante mit dem Original verbunden wird. So wird es

möglich, jeden der zugewiesenen Werte einzeln zu addressieren, und bei Bedarf z. B. in

einen Namensknoten eine Property zum Namensytyp (mit Werten, wie „Geburtsname“

oder „Krönungsname“) zu notieren oder der verknüpfenden Benennungs-Kante eine

Eigenschaft „bevorzugt als Anzeigename verwenden“ beizufügen.

Eigenschaftenwerte in Zeichenkettenform werden dabei durch ein externes Indexsystem

verwaltet, wobei die Synchronisierung mit der Datenbasis automatisch geschieht. In der

Theorie kann eine solche Indizierung auch direkt über Konstrukte der GraphDB gesche-

hen, wie z. B. [

RN11

] zeigt. Für die Anwendung in Kadmos ist jedoch die Separierung dieser

Aspekte in zwei spezialisierte und korrespondierende Systeme absolut zweckmäßig.

Im interaktiven prototypischen Entwicklungsszenario ist die Introspektionsfähigkeit

für momentan selektierte Objekte ein wichtiges Arbeitsinstrument: Einzelne Elemente

des Graphen sollten auch bei Abfragen mit reduziertem Kontext noch aussagekräftige

Konstrukte sein. Da das Property-Graph-Modell zwar Kantenlabels kennt, aber Knoten

keinen Typ besitzen, wird dieser in Kadmos für alle Knoten über eine Property (namens

node_type

) emuliert. Aus Effizienzgründen wird dabei ausnahmsweise bei Knoten vom

Typ Token (als am häufigsten auftretendem Knotentyp) auf die Speicherung einer solchen

Property verzichtet. Dadurch ist das Nicht-Vorhandensein der Property ein genauso

eindeutiges Knotentyp-Merkmal wie es ein entsprechender Propertywert wäre. Die Werte

werden platzsparend in numerischer Form gespeichert, sind im Programm aber über ihre

Namen nutzbar.

Die Grundzüge des im Folgenden beschriebenen Datenmodells für die Repräsentation von

Text wurden bereits in [

Efe15

] vorgestellt. Sie ergeben sich aus der intuitiven Abbildung

von Textelementen, deren Hierarchie und Sequenz sowie weiteren für die Recherche

notwendigen Angaben in Graphenform. Anders als etwa in [

Kuc16

] wird in Kadmos dabei

in Types und Tokens unterschieden. Zum einen verbessert dies die Ausnutzung von Spei-

3.2 Daten- und Domänenmodell

cherplatz, indem Redundanzen vermieden werden. Zum anderen ergibt sich darüber eine

wichtige Traversierungsachse für das

Text Mining

, wie später noch demonstriert wird.

Abbildung 3.1 zeigt (unter Ausblendung von Kantentypen) die wesentlichen Modellkon-

strukte, die für die Repräsentation eines Dokuments zum Einsatz kommen.









The quick brown fox jumps over the lazy dog. All

the leaves are brown. The ship leaves tonight.

Abbildung 3.1: Schematische Darstellung der Instanzdatensätze und

Verknüpfungen eines kurzen Beispieldokuments bei minimalistischem

Textdatenmodell

Die Unterteilung des Dokuments in Token erfolgt in diesem Beispiel an Leerstellen. Allge-

mein wird ein solches einfaches und relativ sprachunabhängiges Tokenisierungsmodell

bevorzugt, in denen nicht-freistehende Satz- und Sonderzeichen nicht als Einzeltoken

betrachtet werden. Solche Sonderzeichen innerhalb der verknüpften Types werden bei

der Normalisierung eliminiert. Die „bereinigten“ Versionen der Types werden als „nor-

malisierte Types“ abgespeichert und mit den entsprechenden Types verknüpft. Dieses

Verfahren wird noch in Abschnitt 3.6 auf Seite 91 detailliert vorgestellt.

Die Token sind die zentralen Elemente des Graphen, sie selbst besitzen standardmäßig

jedoch keine Eigenschaften. Ihre ganze Bedeutung ergibt sich aus Ihrem Kontext, welcher

über Kanten zu anderen Knoten hergestellt wird. Abbildung 3.2 auf der nächsten Seite

zeigt die verschiedenen Pfade, die vom Token ausgehend zum einen über Strukturie-

rungselemente in Richtung der Dokumente und Metadaten existieren, als auch die Pfade,

Kapitel 3 Kadmos – ein graphbasiertes Recherchesystem

die über Types hin zu lexikalischem Wissen und nutzerdefinierten Konzepten führen. Die

Graphentraversierung ermöglicht es, über diese Pfade nicht nur unmittelbare Nachbar-

schaft als Kontext aufzufassen, sondern auch weiter entfernt liegende und nur indirekt

verknüpfte Elemente als Kontext zu betrachten.

Abbildung 3.2: Schema der tokenzentrierten Datenmodellierung mit möglicher

Definition von „Schichten“ innerhalb der verknüpften Umgebung

Im gesamten Modell werden immer wiederkehrende Aspekte wie Sequenz und Hierarchie

grundsätzlich immer mit den gleichen Kantentypen abgebildet. Ein Element ist über

eine ausgehende

-Kante mit seinem Nachfolger (bzw. seinen Nachfolgern) verknüpft

und über eine ausgehende

belongs_to

-Kante mit seinem übergeordneten Element (bzw.

mit mehreren). Für die genauen Ausprägungen dieser kontextdefinierenden Zugehö-

rigkeiten im Modell existieren verschiedene Varianten. Aus diesen ergeben sich jeweils

andere Implikationen für die generellen Traversierungsmöglichkeiten und für die Her-

stellung von effizienter Referenzierbarkeit einzelner Textstellen. In Abbildung 3.3 auf

der nächsten Seite sind die verschiedenen denkbaren Varianten abgebildet. Dazu wird in

Tabelle 3.1 auf Seite 79 eine Übersicht über die daraus resultierenden Auswirkungen auf

Speicherplatzbedarf und Zugriffsaufwände gegeben.

Zur Auswahl einer „korrekten“ Modellierungsart wird in dieser Arbeit keine Festlegung

getroffen. Letzten Endes handelt es sich dabei um eine in der Informatik übliche Abwä-

gung zwischen Speicherplatzbedarf und Bearbeitungsgeschwindigkeit. Dabei sind nicht

nur die Komplexitätsklassen, sondern insbesondere auch die konstanten Faktoren zu

berücksichtigen und so die Varianten anwendungsfallbasiert gegeneinander abzuwägen.

Innerhalb dieser Arbeit wird mit

(c)

, dem vollständigsten Modell, das ohne Positions-

Kanten-Properties auskommt, gearbeitet. Eine Abweichung davon macht gewisse Ände-

rungen an Basisabfragen nötig (bzw. Optimierungen möglich), welche sich sämtlichst in

Kadmos problemlos vornehmen lassen.

Eine explizite Nummerierung ist insbesondere dann interessant, wenn für viele Opera-

3.2 Daten- und Domänenmodell

(a)

(b)

(c)

(d)

(e)

Abbildung 3.3: Verknüpfungsvarianten für Hierarchie und Sequenz: (a) minimal,

(b) mit Struktursequenzen, (c) direkte Hierarchisierung, (d) Hierarchisierung ohne

Tokensquenz und (e) vollständig

tionen ein Überblick über die Lage von Fundstellen zueinander gewonnen werden soll,

wie es z. B. in [

NRR

] als Grundlage für komplexere Zugriffsszenarien verwendet wird

(„

combining the table of contents with semantic tagging, index items, and free-text searching

“).

Zusätzlich zu den Varianten zur Modellierung von direkten Hierarchie- und Sequenzbe-

ziehungen können verschiedene Formen der Verknüpfung über Hierarchiestufen hinweg

eingeführt werden, um die Traversierungsgeschwindigkeit zu erhöhen. Dies wird beispiel-

haft in Abbildung 3.4 auf Seite 80 gezeigt. Zur Optimierung von Laufzeiten kann zusätzlich

überlegt werden, eigene Kantentypen für die „Abkürzungen“ zu hohen Hierarchiestufen

(wie Dokumenten) einzuführen (im Gegensatz zum generischen „

belongs_to

“), oder

den Knotentyp des Zielknotens als Kantenproperty zu speichern. Das tatsächliche Op-

timierungspotential ist dabei allerdings vom Anwendungsfall und vom verwendeten

Backend abhängig. Auch hierzu soll daher keine allgemeingültige Empfehlung abgegeben

werden.

Kapitel 3 Kadmos – ein graphbasiertes Recherchesystem

(a) (b) (c) (d) (e)

 Speicherbedarf

Knoten s+t s+t s+t s+t s+t

Kanten (Sequenz) t-1 s+t-2 s+t-2 s-1 s+t-2

Kanten (Hierarchie) s s t t t

Kanten (Gesamt) s+t-1 2s+t-1 s+2t-2 s+t-1 s+2t-2

Kantenproperties – – s t t

3 Zugriffsoperationen (unter Annahme eines konstanten Index-Lookups)

zu Vorgänger/Nachfolger-Token 1 1 1 2 1

Tokenfenster der Breite 7 ermitteln 6 6 6 7 6

Token zu Satz 2i-1 2i-1 1 1 1

Satz zu n-tem Token n n n 1 1

Token zu n-tem Token (selber Satz) i+n-2 i+n-2 i+n-2 2 2

analog, übernächster Satz 2k-i+n-1 i+n+2 n+3 4 4

letztes Token im selben Satz i+n+2 i+n-2 i+n-2 2 2

Legende: s – Satzanzahl

t – Tokenanzahl

i – aktuelle Token-Position im Satz

k – durchschnittliche Länge eines Satzes in Token

Tabelle 3.1: Speicherbelegung und Abfrageaufwände für verschieden Grade der

Verknüpfung im Textdatenmodell

3.3 Technologie und Systemarchitektur

Um das beschriebene Datenmodell in der Rechercheanwendung effizient nutzen zu kön-

nen, ist die Wahl eines geeigneten Graphdatenbanksystems (als zentraler Komponente

für Datenhaltung und -zugriff) von großer Bedeutung. Wie bereits in Abschnitt 2.3.4 auf

Seite 56 vorgestellt, existiert mit Apache TinkerPop eine universelle Schnittstelle für

Property-Graph-Systeme in einer Java-Umgebung. Die objektorientierte Programmier-

sprache Java verfügt in Verbindung mit ihrer dynamischen Ausführungsumgebung (

Java

Virtual Machine

) über nützliche Funktionen, wie

Just-In-Time

-Kompilierung und automati-

sche Speicherverwaltung (

Garbage Collection

) und ermöglicht zudem eine weitestgehend

plattformunabhängige Systementwicklung. Daher wurde Java auch als Ausführungsum-

gebung für Kadmos bevorzugt.

Kadmos soll auch Korpora unterstützen, deren digitale Repräsentation größer ist, als

der zur Verfügung stehende Hauptspeicher. Daneben soll das System schnell gestartet

3.3 Technologie und Systemarchitektur

(a) minimal (b) tokenzentriert (c) maximal

Abbildung 3.4: Verknüpfung von Knoten für direkte Hierarchiesprünge

werden können, ohne lange initialisierungsbedingte Wartezeiten aufzuweisen. Das Da-

tenbanksystem muss daher eine persistente Speicherung der Korpusdaten sowie der

nutzerspezifischen Änderungen und Ergänzungen erlauben. Deshalb können reine In-

Memory-Lösungen, wie das in [

JR13

] beschriebene „imGraph“, trotz hoher Abfragege-

schwindigkeiten nicht verwendet werden.

Aus der Reihe potentieller Datenbanklösungen wurde das System Titan

ausgewählt,

wobei auf die Vielzahl von Alternativen an dieser Stelle nicht im Detail eingegangen wer-

den kann. Als populärstes System ist hauptsächlich Neo4j

(das möglicherweise reifste

Produkt auf dem Markt) hervorzuheben

. Im Gegensatz zu diesem weist Titan jedoch den

Vorteil auf, unterschiedliche, grundsätzlich austauschbare Speicher-

Backends

zu unter-

stützen. Noch in [

Sri11

] wurden für die Klassifizierung von Graphdatenbanken anhand

ihrer Speichersysteme nur zwei Gruppen unterschieden: die Systeme, die auf relationa-

len Datenbanken aufsetzen und diejenigen mit einem nativem (und fest eingebauten)

Graphen-Speicher. Titan hat eine dritte Gruppe begründet, in der NoSQL-Systeme zur

Speicherung herangezogen werden.

Diese umfassen z. B. auch massiv verteilbare NoSQL-Datenbanken (mit weniger komplexen

Datenmodellen), was für eine hohe Flexibilität hinsichtlich der Skalierung des Systems auf

größere verteilte Rechnerarchitekturen sorgt. Verschiedene solcher Systeme bedienen

dabei unterschiedliche Bereiche des durch das CAP-Theorem aufgespannten Raums.

http://titan.thinkaurelius.com/

http://neo4j.com/

Das Unternehmen hinter Neo4j, die Neo Technologies Inc., richtet viele branchenweite Veranstaltungen,

z.B. die internationale Konferenz GraphConnect (

http://graphconnect.com/

) aus. Damit fördert

sie die allgemeine Entwicklung dieser Technologie, positioniert das eigene Produkt allerdings auch

geschickt als Vorreiter-Lösung.

Kapitel 3 Kadmos – ein graphbasiertes Recherchesystem

Neben der Partitionierbarkeit steht bei Apache HBase

die Konsistenz im Vordergrund,

während es bei Apache Cassandra

die Verfügbarkeit ist – darüber hinaus ähneln sich

beide Wide Column Stores allerdings sehr stark.

Als „Zwischenschicht“ zwischen Anwender und Speichersystem unterstützt Titan eine

große Untermenge der in der Blueprints-API definierten Funktionen. Es ist also grund-

sätzlich möglich, auch das Datenbanksystem selbst nachträglich durch ein anderes mit

Blueprints kompatibles System auszutauschen. In der Praxis unterscheiden sich alle

Systeme allerdings leicht in Details der Konfiguration und Ansteuerung. Insbesondere

die Mechanismen zur Index-Definition sind bei Titan sehr systemspezifisch, weshalb

ein Austausch nicht ohne zusätzliche Aufwände zu realisieren wäre – ein Umstand, der

wahrscheinlich bei allen Systemen dieser Komplexität auf die ein oder andere Weise

festzustellen wäre.

Titan besitzt (auch bereits mit einem lokalem Speicher-Backend) eine gute Abfrageperfor-

mance sowie die angesprochene gute Skalierbarkeit in Clustern, s. z. B. [

JV13

]; wobei das

System (im Vergleich damaliger Versionen) auch laut [

KSM13

] nicht das schnellste der

untersuchten war. In [

MEP

] wird Titan mit anderen Graphdatenbanken, aber auch mit

In-Memory-Paketen ohne Persistenz-Funktionalität verglichen und dabei im Hinblick auf

die Antwortzeiten für vorgegebene Abfrageszenarien im Mittelfeld geführt. Es wird dort

allerdings als das langsamste bei Daten-Updates beschrieben. Da in Kadmos der lesende

Zugriff auf Daten im Vordergrund steht, kann diese Einschränkung jedoch hingenommen

werden.

In Anbetracht dieser zur Verfügung stehenden Komponenten ist Java eine adäquate Lauf-

zeitumgebung für Kadmos. Als Programmiersprache für prototypische Entwicklung ist

Java allerdings nur bedingt geeignet. Dynamische Programmier- und Scriptsprachen, wie

Python oder Ruby, sind grundsätzlich deutlich flexibler einsetzbar. Eine bei deren Verwen-

dung erforderliche separate Installation von Rechercheanwendung und Datenbanksystem

führt allerdings zu nicht unerheblichen prozessübergreifenden Kommunikationsauf-

wänden zwischen den Komponenten. Die im Rahmen dieser Arbeit vorgestellte Lösung

verwendet JRuby

, eine in Java geschriebene Implementierung der Programmiersprache

Ruby. Sie kann gemeinsam mit den auf TinkerPop basierenden Datenbankkomponenten

in der selben Laufzeitumgebung ausgeführt werden. Die Datenverarbeitung kommt so

http://hbase.apache.org/

http://cassandra.apache.org/

http://jruby.org/

3.3 Technologie und Systemarchitektur

ohne zusätzliche Serialisierungs- und Kommunikationsaufwände aus.

Für Ruby stehen zahlreiche gekapselte Programmbibliotheken zur Verfügung (soge-

nannte

Ruby Gems

), von denen die meisten ohne Anpassungsaufwände auch unter JRuby

genutzt werden können. Gems werden u. a. in einem zentralen Repositorium in aktuellen

und vergangenen Versionen vorgehalten. Über das Gem „Bundler“

können alle Gem-

Abhängigkeiten eines Projektes deklarativ erfasst und automatisch in den neuesten der

konfliktfrei kombinierbaren Versionen heruntergeladen und für das Projekt installiert

werden.

Abbildung 3.5 zeigt den prinzipiellen Aufbau des Systems. Die gestrichelten Linien sollen

andeuten, dass als Speicher-backends und Volltextindex-Systeme sowohl externe, auf

Rechnercluster skalierbare Lösungen als auch eingebettete Komponenten verwendet

werden können. Diese werden direkt von Titan entsprechend der Konfigurationsdatei

von Kadmos angesteuert. Durch Kadmos wird auch der angesprochene TinkerPop-Stack

geladen, dessen generische Abfragemechanismen dann für die JRuby-Komponenten

zur Verfügung stehen. Als eingebetteter Webserver wird der Java-Applikationsserver

„Glassfish“

über das JRuby-Gem „Mizuno“

geladen und mit der

Middleware

-fähigen

universellen Webserver-Schnittstelle „Rack“

verknüpft. Über dieses Konstrukt kann die

Threading

-Funktionalität von Glassfish in JRuby genutzt werden sowie eine synchrone

Anfragebeantwortung erfolgen.

Abbildung 3.5:

Architekturentwurf mit lokalen und entfernten Komponenten der

Kadmos-Umgebung

Die Rack-Middleware wird von mehreren weiteren Gems verwendet. Über den webba-

http://bundler.io/

http://glassfish.java.net/

http://github.com/matadon/mizuno

http://rack.github.io/

Kapitel 3 Kadmos – ein graphbasiertes Recherchesystem

sierten Login-Mechanismus von „OmniAuth“

können viele verschiedene Authentifizie-

rungssysteme verwendet werden, um Accountinformationen fremder Identitätsprovider

in Kadmos zu nutzen. Diese werden internen Nutzerkonten zugeordnet, die im Graph-

datenbanksystem hinterlegt werden. Das Webframework „Sinatra“

setzt ebenfalls auf

der Rack-Funktionalität auf. Sinatra steuert das Anfrage-

Routing

, verwaltet die von au-

ßen erreichbaren APIs und beantwortet Anfragen von Webbrowsern mit dynamisch

erzeugten HTML -Seiten. Kadmos enthält noch viele weitere interne Komponenten und

eingebundene Gems, auf die an dieser Stelle nicht einzeln eingegangen werden kann.

Von zentraler Bedeutung ist jedoch die Komponente, die die effiziente Interaktion mit

der Graphdatenbank ermöglicht:

Wie bereits in Abschnitt 2.3.6 auf Seite 62 vorgestellt, existieren viele verschiedene Ansät-

ze für die Abfrage graphförmiger Daten. Dadurch, dass die Textdatendomäne, so wie hier

modelliert, einen klar umrissenen Aufbau mit gut abschätzbaren Eigenschaften besitzt,

ist die Wahl einer imperativen Abfragesprache möglich. Für Ruby steht mit dem Gem

„Pacer“

eine stark an Gremlin orientierte Abfragesprache zur Verfügung, welche ihre

Sprachkonstrukte direkt in JRuby integriert. Dabei werden als sogenannte

Routes

Daten-

verarbeitungsketten (über TinkerPop Pipes) erstellt, welche dann effizient ausgeführt

werden können. Zur Erzeugung der Routen existiert eine Domain Specific Language (DSL)

die über Methoden-

Chaining

deren schrittweisen Aufbau durch Traversierungsschritte,

Filterung,

Lookaheads

, Schleifen, Bedingungen, etc. unterstützt. Die Routen werden dann,

wenn auf ihre Ergebnisse zugegriffen wird, „

lazy

“ im Blueprints-Framework evaluiert.

Die Eingenschaften der gewählten Laufzeitumgebung und Systemarchitektur kommen

der prototypzentrierten Entwicklung dabei sehr entgegen: Java unterstützt

Just-in-time

Kompilierung, kann also neuen Quelltext direkt zur Laufzeit in effizient ausführbaren

Maschinencode übersetzen, wodurch die Möglichkeit zum Hinzufügen von Programm-

funktionalität ohne Geschwindigkeitseinbußen (im Vergleich zum interpretierten Fall

reiner Scriptsprachen) besteht. JRuby erlaubt das Wiederöffnen von Klassen, so dass auch

bestehende Funktionalität zur Laufzeit angepasst werden kann. Daneben unterstützt es

eine Introspektion von beliebigen Instanzen. In Kombination mit den von Pacer bereitge-

stellten Funktionen bedeutet das, das zur Laufzeit eine Analyse von Abfrage-Routen und

deren konkreten Ausführungsstrategien stattfinden kann, was zur Geschwindigkeitsopti-

mierung unerlässlich ist.

http://github.com/omniauth/omniauth

http://www.sinatrarb.com/

http://github.com/pangloss/pacer

3.4 Asynchrone Webservicearchitektur

Über eine einfache aus Ruby-Konstrukten aufgebaute Definitionssprache können Knoten-,

Kanten- und Property-Typen beispielsweise so definiert werden:

1 node_property :string_value, :string, fulltext:true

2 node_type :name

3 edge_type :name

4 edge_property :name_type, :integer

5 edge_type :next

6 edge_type :belongs_to

7 edge_property :sequence_number, :long

Quelltext 3.1: Beispielcode für die Schemadefinition in Kadmos

Das Schema von Graphdatenbanken kennt, wie erwähnt, keine Knotentypen und erzwingt

daher auch keine festen Typen als Start- oder Endknoten einer Kante bestimmten Typs.

Ebenso wenig wird eine Zuweisung von Kantenproperties zu Kantentypen vorgenommen.

Diese Modellierungsfreiheit wird für die Schemadefinition in Kadmos übernommen. Die

obenstehenden Methodenaufrufe erzeugen lediglich neue numerische Knotentyp-IDs (als

effizient zu speichernder Wert für die

node_type

-Property), Kantentypen und Indexstruk-

turen für Properties. Daher muss für letztere zusätzlich ein Datentyp angegeben werden.

Weitere Wertebereichseinschränkungen, wie z. B.

uniq

für die Erzwingung eindeutiger

Werte, sind möglich. Die Schemadefinition erzeugt außerdem automatisch domänenspe-

zifische Abfragerouten für die Nutzung in Pacer-Abfragen, wie

create_kantentyp_node

oder find_kantentyp_node.

Kadmos ist als ein Recherchesystem mit Fokus auf Backendfunktionalität nicht ausschließ-

lich für die direkte Nutzung über eingebaute Bedienoberflächen konzipiert (auch wenn

diese in begrenzter Zahl bereits integriert sind), sondern ist insbesondere auf das Be-

reitstellen von über Netzwerkverbindungen nutzbaren Diensten ausgelegt. Die dafür

getroffenen Vorkehrungen und eingebauten Kommunikationsmechanismen werden im

nächsten Abschnitt vorgestellt.

3.4 Asynchrone Webservicearchitektur

Webservices sollen den Zugriff auf die Funktionalität und Ressourcen eines Systems über

etablierte Transportmechanismen und Protokolle des WWW ermöglichen. Sie stellen eine

grundsätzlich system- und implementierungsunabhängige Schnittstelle dar, die sich für

eine lose gekoppelte Interaktion zwischen Programmen und Programmteilen eignet.

Kapitel 3 Kadmos – ein graphbasiertes Recherchesystem

Traditionell stellen Webservices eine komplexe, mehrschichtige Webtechnologie dar,

die etwa das Simple Object Access Protocol (SOAP) für XML-basiertes

Messaging

als Basis

für Schnittstellenbeschreibungen nach der Web Service Description Language bzw. Web

Service Definition Language (WSDL) nutzt. Darüber hinaus existieren Protokolle zum

automatisierten und maschinenlesbaren Veröffentlichen und Auffinden von Services in

Netzwerken, begleitet von einer darüber liegenden Schicht, die den „

Service Flow

“, also

die Kombination und Orchestrierung mehrerer Teilservices betrifft und Protokolle, wie

(Web Services) Business Process Execution Language (BPEL) enthält, vgl. [Sha08].

In Kadmos sollen möglichst einfache Varianten von Webservices zum Einsatz kommen,

die schnell und unkompliziert von

Clients

genutzt werden können. Endpunkte sollen

dabei grundsätzlich ohne die Notwendigkeit zusätzlicher Abstraktionsschichten direkt

verwendet werden können – etwa über einen einfachen Adressaufruf über Browser oder

über Standardsoftware auf der Betriebssystem-Kommandozeile.

Die Kommunikation zwischen zwei Endpunkten im Internet wird über verschiedene

übereinanderliegende Abstraktions- und Protokollschichten geregelt, s. z. B. [

Sha08

]. Die

genaue Einteilung von Protokollen in Schichten ist vom Referenzmodell abhängig, wobei

häufig das sieben Ebenen unterscheidende Modell der Open Systems Interconnection

(OSI) verwendet wird. Zwischen den hardwarenahen Schichten und den Protokollen

der Anwendungsebene findet mit dem Internet Protocol (IP) ein paketvermittelnder,

teilnetzübergreifend adressierender Versand von Teildaten über dynamische Routen

statt. Um eine vollständige und fehlerfreie Übermittlung und die korrekte Reihenfolge

der Pakete zu gewährleisten, überwacht und reguliert das Transmission Control Protocol

(TCP) den Datenfluss durch zusätzliche Steuerpakete. Dabei werden durch regelmäßige

Kontaktmeldungen zwischen den Kommunikationspartnern virtuelle TCP-“Verbindun-

gen“ aufrechterhalten, innerhalb derer eine effiziente Kommunikation möglich ist. Der

Aufbau einer solchen Verbindung benötigt eine gewisse Zeitspanne.

Das Hypertext Transfer Protocol (HTTP) ist ein statusloses Protokoll, das üblicherweise

TCP für den Datenaustausch verwendet. Es erlaubt einem

Client

(der meist ein Webbrow-

ser ist), Anfragen (

Requests

) an einen Rechner zu senden, welcher einen HTTP-Dienst

anbietet und mit

Responses

antwortet. Dieses Protokoll wird für leichtgewichtige Schnitt-

stellen nach den Prinzipien des „Representational State Transfer (REST)“, vgl. [

Fie00

]

verwendet. Auch diese Schnittstellen werden in statusloser Kommunikation genutzt. Das

hat beispielsweise den Vorteil, dass ein

Load Balancing

mittels Verteilens der Anfragenlast

auf mehrere identische Systemkopien damit einfach umzusetzen ist, ohne, dass eine

3.4 Asynchrone Webservicearchitektur

bestehende „Kommunikationshistorie“ unter den Servern ausgetauscht werden muss.

In Kadmos sollen über Webservices angesteuerte APIs in der Lage sein, Zwischenstän-

de aufwändiger Berechnungen an den Browser des Nutzers zurückzumelden. Die dafür

denkbaren Kommunikationsmechanismen sind in Abbildung 3.6 schematisch abgebildet.

Bei Asynchronous JavaScript and XML (AJAX) müssten dabei periodisch Statusabfragen

gesendet werden, während Web Sockets eine vom Server ausgehende Meldung unterstüt-

zen, die neben der eigentlichen HTTP-Kommunikation abläuft. Schließlich ermöglichen

Server-Sent Events

(mit dem Beinamen „

Event-Source

“), s. [

Hic15

], ein gestaffeltes, zeitver-

setztes Rücksenden des Nachrichteninhalts (im Sinne des HTTP Response Body).

Browser

HTTP

TCP

HTTP

Server

HTTP-Request

Verbindung Verbindung

HTTP-Request

Queue

HTTP-Response

SchließenSchließen

HTTP-Response

Wiederholtes AbfragenWiederholtes Abfragen

AJAX / XMLHttpRequest

Event

Nachrichten-Pakete

Direkte KommunikationDirekte Kommunikation

Websockets

Initaler Request

Verbindung Verbindung

Event

Teil-Response

NachnutzungNachnutzung

Javascript-Event

Event

Teil-Response

NachnutzungNachnutzung

Javascript-Event

Langlebende AnfrageLanglebende Anfrage

Server-Sent Events / Eventsource

Abbildung 3.6: Verschiedene Modelle der Client-Server-Kommunikation zum

asynchronen Nachladen von Inhalten

In Kadmos werden Server-Sent Events genutzt, da sie browserseitig einfach zu handhaben

sind und verzögerungsfreie Rückmeldungen ermöglichen. Ein Vorteil gegenüber Web-

sockets ist, dass keine explizite Behandlung von Aufruf-Abbrüchen stattfinden muss, z. B.

Kapitel 3 Kadmos – ein graphbasiertes Recherchesystem

wenn das Browserfenster geschlossen wird. Da die „Ereignis-Quelle“ in diesem Anwen-

dungsszenario nicht kontinuierlich sendet, sondern nur anfragespezifische Rückgaben

an einzelne aufrufende Clients schicken soll, sollten beim Aufruf im Browser stets URL-

Query-Parameter angefügt werden, um ein automatisches

Pre-Fetching

zu verhindern. Als

Ersatzfunktion (

Fallback

) bei Nicht-Unterstützung von Event-Sources im Browser kann

ein sogenanntes

Polyfill

genutzt werden. Dieses realisiert die Anfrage als AJAX-Aufruf,

und feuert alle Events beim Schließen der Verbindung. Deshalb lohnt es sich, clientseitig

eingehende Zwischenergebnisse für einige Millisekunden zwischenzuspeichern (und auf

neuere Zwischenergebnisse zu warten), bevor visuelle Änderungen in der Seitendarstel-

lung angestoßen werden.

In Kadmos sind sowohl klassische synchrone REST-Abfragen

als auch Services mit

asynchronen Antworten realisierbar. Diese werden über die selben gekapselten Funk-

tionseinheiten implementiert, so dass ohne Mehrfachaufwände in der Programmierung

beide Schnittstellentypen gleichzeitig abgedeckt werden können. Intermediäre (asyn-

chrone) Ausgabe-Aufrufe werden dabei im synchronen Fall nicht versendet, sondern

verworfen, so dass die finale Ausgabe als einzige REST-Antwort zurückgegeben wird. Die

Schritte zur Implementierung einer einfachen Schnittstelle werden in Abschnitt 3.10

auf Seite 122 vorgestellt. In Abschnitt C auf Seite 252 im Anhang werden Beispielaufrufe

bereits vorhandener API-Endpunkte kurz vorgestellt.

3.5 Datenimport

Der Datenimport in Kadmos erfolgt direkt über Ruby-Programmcode, der innerhalb der

laufenden Kadmos-Instanz ausgeführt wird. Dadurch ist ein (je nach gewähltem Backend

mehr oder weniger unmittelbar) direktes Arbeiten mit dem partiell importierten Koprus

möglich. Es werden verschiedene Basisimporter (etwa für Verzeichnisse voller

Plain-

text

-Dateien) und spezialisierte Beispielimporter (etwa für das Reuters-Korpus oder

Voynich-Korpus) standardmäßig zur Verfügung gestellt. Der Import beliebiger weiterer

Formate und Dokumentsammlungen kann über eigens einzurichtende Module erfolgen,

welche auf eine umfangreiche Basisfunktionalität der

Importer

-Klasse zurückgreifen

können. In den vorliegenden Importmodulen kommen zum Teil bereits recht fortgeschrit-

tene Techniken zum Einsatz. So existiert die Möglichkeit, komprimierte Archivdateien

mit der Abwandlung, dass das Antwortformat auf JSON festgelegt ist – so entfällt die Notwendigkeit

einer Content Negotiation

3.5 Datenimport

aus dem Internet zu laden und diese ohne Zwischenspeicherung auf der Festplatte im

Hauptspeicher zu entpacken und die einzelnen enthalten Dokumente schrittweise in die

Graphdatenbank einzulesen.

Der Einlesevorgang wird durch einzelne Methodenaufrufe gesteuert, die einer „event-

basierten“ Abarbeitung entsprechen: Das System besitzt einen internen Zustand, der

durch einfache Kommandos wie den Methodenaufruf

line

verändert werden kann –

in diesem Fall um das Anlegen eines neuen Zeilen-Strukturelements, zu welchem die

dann folgenden Token zugewiesen werden. Der Import kann so „auf Zuruf“ erfolgen und

in dieser Konfiguration tatsächlich auch auf der Basis von

Events

oder

Streams

erfolgen.

Typischerweise werden die Methodenaufrufe aber in Schleifen ausgeführt, in denen auch

die Originalformate ausgelesen werden.

Das in Abbildung 3.1 auf Seite 76 gezeigte Beispieldokument kann programmatisch durch

wenige Methodenaufrufe in die Datenbank eingespeist werden, wie im folgenden Quell-

text 3.2 gezeigt wird:

1 document(string_value:"beispiel.txt").ensure_name("Beispieldokument")

2 author.ensure_name("Unbekannt")

3 chapter

4 line

5 sentence

6 "The quick brown fox jumps over the lazy dog.".split(" ").each{|s| token s}

7 sentence

8 token "All"

9 line

10 "the leaves are brown.".split(" ").each{|s| token s}

11 sentence

12 "The ship leaves tonight.".split(" ").each{|s| token s}

Quelltext 3.2: Import eines Dokuments über direkte Methodenaufrufe

Die Tokenisierung kann in Kadmos dabei, wie erwähnt, sehr simpel durchgeführt werden,

etwa durch ein Splitten an Leerstellen. Bei Sprach- und Schriftsystemen, in denen Wörter

überhaupt nicht oder nicht konsequent mit Leerzeichen getrennt werden (z. B. beim

Thailändischen) muss eine entsprechende Segmentierung entweder über die Auswertung

existierender Token-Annotationen im zu importierenden Dokument oder aber durch

die Nutzung von externen Tokenisierungswerkzeugen während des Importvorgangs

hergestellt werden.

Kapitel 3 Kadmos – ein graphbasiertes Recherchesystem

Zugehörige Types werden beim Anlegen neuer Token selektiert oder automatisch neu

erzeugt und anschließend verknüpft. Im Importer kann ein beliebiger

Normalizer

ange-

geben werden, durch welchen die Erzeugung normalisierter Types durchgeführt wird.

Diese Funktionalität ist in einer eigenen Klasse gekapselt, damit sie später bei der Abfrage

auch zur Normalisierung von Nutzereingaben verwendet werden kann. Auf das Thema

der Normalisierung wird in Abschnitt 3.6 auf Seite 91 noch näher eingegangen.

Häufig verwendete Struktureinheiten, wie Zeile und Satz, sind in Kadmos standardmäßig

enthalten. Das Datenmodell kann jederzeit um weitere übliche Strukturierungselemente

erweitert werden. Die einzelnen logischen Struktureinheiten lassen sich zum Teil jedoch

nur schwer aus den zu importierenden Originaldokumenten extrahieren. Dieser Umstand

soll am Beispiel des BTL-Korpus, welches in Form von XML-Dateien

vorliegt (und so

grundsätzlich eine maschinenlesbare Strukturierung aufweist), demonstriert werden.

Da die XML-Repräsentation sich am Ausgabemedium der gedruckten Buchfassung orien-

tiert – es sich dabei also um ein Arbeitsinstrument der so genannten „Druckvorstufe“

handelt – wird die logische Struktur, die vorrangig in Kadmos importiert werden soll, von

ausgabebedingtem Markup überdeckt. Für kurze Abschnitte (in der Regel Sätze) erfolgt

jeweils eine (im XML in sich geschachtelte, jedoch nicht immer logisch hierarchische)

Auszeichnung. Diese wird teilweise durch nummerierte Referenzierungsinformationen

ergänzt. Die erste und zweite Beschreibungsebene bilden dabei immer der Autorenname

und der Werkstitel. Danach folgen verschiedenste strukturelle Untereinheiten. Zum Teil

sind in den Ebenen direkt Kapitelüberschriften oder Ähnliches vermerkt, meist aber nur

allgemeine Beschreibungen der Struktureinheit.

In diesen Vermerken von „level_3“, in einigen Fällen bis hin zu „level_8“ herrscht wenig

Kohärenz in der Hierarchisierung. Nur zum Teil bezieht sich die jeweilige Untergliede-

rungseinheit auf die der übergeordneten Ebene, ist also tatsächlich in diese zu schachteln,

wie z. B. die Zeile eines Paragraphen. Die Angabe von Vers, Brief, Strophe, Paragraph,

Zeile, Seite, usw. findet je nach Dokument in unterschiedlichen Ebenen statt und ändert

sich an einigen Stellen auch innerhalb eines Dokuments. In Tabelle 3.2 auf der nächsten

Seite ist die große Vielfalt der möglichen Angaben ablesbar.

Neben der so geschaffenen heterogenen Schachtelungssituation ist auch festzustellen,

dass die fortlaufende Nummerierung nicht immer direkt inkrementell abläuft. Zum

einen hat das historische Gründe der Editionspraxis (z.B. spätere Einfügungen in älte-

mit dem Dokumenttyp „NCBI Book 3.0“, http://dtd.nlm.nih.gov/book/3.0/book3.dtd

3.5 Datenimport

Ebene Häufige Bestandteile der Bezeichner

level_3:

fragm. vers. epigr. elegia carm. p. cap. § lib. decl.

incertarum incertorum nota fragmenta paradoxon oratio

actio scribae epist. fab. distichon sat. epil. prol. littera

Epist. suas. hexastichon incertae vol. ecloga stropha

laudes explicit

level_4:

vers. lin. p. cap. fragm. argum. § epist. lib. carm.

sat. epigr. fab. contr. sent. sermo

level_5: lin. p. vers. acrostichis § vol. cap.

level_6: lin. p. § (p.

level_7: lin. p.

level_8: lin.

Tabelle 3.2: Vorkommende Nummerierungspräfixe und allgemeine

Abschnittsbezeichner in verschiedenen Hierarchieebenen im BTL-Korpus

re Nummerierungsschemata) oder eine zu grobe Auflösung (z. B. wenn mehrere Sätze

oder Zeilen in der kleinsten untergliederten Einheit untergebracht sind). In solchen

für die Nachmodellierung im Graphen schwierigen Fällen bietet sich die Einführung

eines neutralen Strukturelements an, das die kompletten Informationen der aktuellen

„Hierarchieangaben“ als konkatenierte Zeichenkette speichert und welches als einziges

Strukturelement zwischen Dokument und Token positioniert wird. Damit ist eine Refe-

renzierung von Textstellen wie im gedruckten Buch möglich und der Analyseaufwand des

zu importierenden Dokumentenmodells wird verringert. Diese Lösung ist nicht ideal, da

aussagekräftige Statistiken zu Satzlängen oder Ähnlichem dann nicht mehr möglich sind,

aber als intermediäre Lösung im Sinne des

Prototypings

ist dieser Ansatz hervorragend

geeignet.

Neben der Übernahme von Textdaten mit ihren verschiedenen strukturellen Konfigura-

tionen wird bei Importvorgängen in Korpusverwaltungssystemen üblicherweise auch

die Zusammenführung und Korrektur von Metadaten vorgenommen. Das flexible Daten-

modell und der Verzicht auf Vorberechnungen ermöglichen es jedoch, diesen Aspekt

in Kadmos vollkommen losgelöst vom Import zu betrachten. Im laufenden Recherche-

betrieb und als Teil der Korpusexploration können die Metadaten jederzeit angepasst

werden, wobei manuelle Arbeiten durch etablierte Datenintegrationsmodelle

ergänzt

werden können, sobald externe Identifier, z. B. von Normdatenprovidern oder aus dem

Hierbei ist besonders das repräsentantenbasierte Modell von Topic Maps, das u. a. in Subject Identifiers

und Subject Locators unterscheidet, hervorzuheben.

Kapitel 3 Kadmos – ein graphbasiertes Recherchesystem

LOD-Umfeld verwendet werden.

Beim Import von Textdaten sollten diese im System in einer Form repräsentiert werden,

die einen intuitiven Zugriff auf Zeichenkettenebene ermöglicht. Um angesichts der ange-

sprochenen Kodierungsvielfalt für Zeichensätze einen solchen Zugang zu ermöglichen,

findet oft bereits beim Import eine Normalisierung der Texte statt.

3.6 Zeichennormalisierung

Normalisierung ist – generell gesprochen – ein Verfahren, mit dem Varianten in der Form

einer Äußerung verringert werden sollen, um die Kernäußerung besser isoliert betrach-

ten, verarbeiten und quantitativ auswerten zu können. Es findet dabei eine Umformung

aller Elemente der Eingabe statt, die mengentheoretisch betrachtet als Abbildung ange-

sehen werden kann

. Bei der Normalisierung soll erreicht werden, dass im Wesentlichen

Gleichbedeutendes die gleiche Repräsentation erfährt und Unterschiedliches auch in der

Abbildung unterscheidbar bleibt.

Praktischen Nutzen hat die Normalisierung bei nicht-bitgenauen Vergleichen von Zei-

chenketten. Soll für eine Textsuche beispielsweise die Groß- und Kleinschreibung eines

Begriffs ignoriert werden, bietet es sich an, bei der Indizierung des Textes eine kom-

plette Umwandlung in Klein- oder Großbuchstaben vorzunehmen. Die selbe Operation

muss anschließend auch auf die Anfrage angewendet werden. Der Satz „Heute ist ein

schöner Tag!“ könnte zu „

HEUTE IST EIN SCHÖNER TAG!

“ normalisiert werden. Ein ge-

suchtes Wort „tag“ würde die Zeichenfolge „

TAG

“ ergeben, welche sich dann bitgenau im

indizierten Text wiederfinden lässt. Eine weitere Anforderung könnte die transparente

Behandlung von diakritischen Zeichen sein, wonach „Hallo“, „Hàllo“ und „Hállo“ einen

gemeinsamen Normalisierungsrepräsentanten erhalten sollen, welcher sich allerdings

von dem anderer ähnlicher Wörter, wie „Hello“ unterscheiden muss.

Eine einzige Normalisierungsregel, die alle Vorkommen von „a“ und „à“ durch „á“ ersetzt

und alle anderen Zeichen gleich belässt, würde für dieses Beispiel bereits eine valide

Normalisierung darstellen. Denkbar wäre auch, „a“, „à“ und „á“ durch „x“ zu ersetzen,

oder ganz zu löschen. Die „Hallo“-Varianten würden dabei zu „Hxllo“ oder „Hllo“, und

„Hello“ bliebe erhalten. Es ist jedoch leicht einzusehen, dass bei solchen, die Funktion der

Da die Bildmenge in der Praxis meist keine „ungenutzten“ Elemente enthält, ist die Normalisierung

ebenso eine surjektive Relation.

3.6 Zeichennormalisierung

Zeichen für die Sprache nicht berücksichtigenden Normalisierungsansätzen bei einer

Erweiterung des Vokabulars sehr schnell Probleme auftreten können. Die „x“-Substitu-

tion würde z. B. „Boa“ und „Box“ auf die selbe normalisierte Form abbilden, was ganz

offensichtlich nicht gewünscht ist. Ein guter Substituent lässt sich oft aus der Menge der

graphisch verwandten bzw. lautlich oder im Verwendungskontext „ähnlichen“ Zeichen

finden.

Dadurch wird auch eine manuelle Inspektion der Normalisierung vereinfacht, die im

Vergleich zur Abbildung auf Nominalzahlen oder abstrakte Zeichen

eine nach wie vor

„lesbare“ Variante des Ursprungstextes abbildet.

Die Bandbreite von potentiell zu normalisierenden Phänomenen in der Verschriftlichung

ist groß. Im Folgenden werden als Beispiel aus der Praxis einige der Besonderheiten

vorgestellt, die die Normalisierung historischer Dokumente in nicht-lateinischen Alpha-

beten mit sich bringen kann. Als Grundlage werden Wortkodierungen aus den Editionen

altgriechischer Texte des Papyri-Korpus, verwendet.

Abbildung 3.7: Auftretende Unicode-Zeichen in digitalen Editionen

altgriechischer Texte, sortiert nach Codepoint-Nummer

Abbildung 3.7 zeigt die Fülle der in den Texten vorkommenden Zeichen. Es werden über

1600 Unicode-Endpunkte

zur digitalen Kodierung der Texte verwendet. Während einige

der außergewöhnlichen Zeichen, etwa die Tierkreiszeichen

bis

, durchaus im Rahmen

ihrer in Unicode erfassten Bedeutung verwendet werden, wurden andere offenbar nur

wegen ihrer äußeren Erscheinungsform eingefügt, wie der mathematische Operator

⊗

(

U+2297

). Als doppelte, öffnende, spitze Klammer wurde stellenweise ebenfalls die der

mathematischen Notation vorbehaltene Variante (

U+27EA

) statt der neutralen (

U+300A

)

Diese könnten etwa in den privaten Unicode-Bereichen (Private Use Areas) anwendungsspezifisch

definiert werden.

inklusive verschiedener Leerzeichen (Whitespaces) und sonstiger undruckbarer Zeichen

Kapitel 3 Kadmos – ein graphbasiertes Recherchesystem

verwendet. In Abbildung B/1 auf Seite 246 im Anhang sind die Zeichen noch einmal nach

der Häufigkeit ihres Auftretens sortiert angegeben.

Für zahlreiche griechische Minuskeln

existieren Alternativ-Glyphen, die im Grunde

den selben Buchstaben beschreiben, durch die aber eine Formvariante codiert werden

soll: für Kappa

κ 7→ κ

(

U+03F0

), Epsilon

ε 7→ 

(

U+03F5

), Theta

θ 7→ ϑ

(

U+03D1

), Rho

ρ 7→ ρ

(

U+03F1

) sowie Phi

φ 7→ φ

(

U+03D5

). Im kompletten Unicode-Standard existieren darüber

hinaus derzeit

über 20 Codepunkte, die ein griechisches oder koptisches Phi als Text-

oder Formelzeichen repräsentieren

. Beim End-Sigma

ist die Formvariante nicht nur

stilistischer Natur, sondern fest an die letzte Position im Wort gebunden.

Auch diakritische Zeichen sind oft in mehreren Varianten vorhanden: Es existieren typo-

graphisch bewusst identisch angelegte Zeichen für einen prinzipiell gleichen Verwen-

dungskontext, die sich doch in ihrer Bedeutung unterscheiden können: Eine Verwendung

des

Oxia

(z. B.

U+1FFD

) zeichnet eine Änderung in der Tonhöhe im polytonischen Grie-

chisch (im wesentlichen Altgriechisch) aus, wohingegen die Nutzung des

Tonos

(z. B.

U+0384

) für die Betonung im monotonischen Griechisch steht. Beide sollten identisch

dargestellt werden, es existieren jedoch sowohl unterschiedliche Einzelsymbole und

kombinierende Symbole, als auch zwei komplett eigenständige Sammlungen damit vor-

kombinierter Symbole für das gesamte griechische Alphabet in Unicode.

Für den Hauchlaut-Indikator für Vokale und Diphthonge (sowie den Buchstaben Rho)

am Wortanfang (

Spiritus asper

) existieren drei korrekte Kodierungsvarianten

. Hierbei

sind bei der Darstellung der kodierten Texte bestimmte Regeln zur Positionierung der

Indikatoren (bei Kombination mit anderen diakritischen Zeichen sowie die Verschiebung

vor Großbuchstaben oder auf Folgevokale) zu beachten. Teilweise wird versucht, dieses

Verhalten durch Ändern der Zeichenreihenfolge im Vorfeld der Darstellung zu erzwingen,

was nicht immer standardkonform ist.

Aus der Vielfalt aller möglichen Permutationen dieser Codepunkte ergibt sich eine enor-

me Varianz unterschiedlicher valider Kodierungsweisen. Das Griechische ist dabei unter

den historischen Sprachen kein besonderer Extremfall. Viele komplexe Regeln, Varianten

Damit sind Kleinbuchstaben gemeint, wobei in vielen Fällen nicht in den Manuskripten sondern erst in

den Editionen zwischen Groß- und Kleinschreibung unterschieden wird.

bezogen auf Version 9 vom 21. Juni 2016

U+0278

U+03A6

U+03C6

U+03D5

U+1D60

U+1D69

U+1DB2

U+2C77

U+1D6BD

U+1D6D7

U+1D6DF

U+1D6F7

U+1D711

U+1D719

U+1D731

U+1D74B

U+1D753

U+1D76B

U+1D785

U+1D78D

U+1D7A5

U+1D7BF

und

U+1D7C7

U+0314

(Combining Reversed Comma Above),

02BD

(Modifier Letter Reversed Comma) und

U+1ffe

(Greek Dasia)

3.6 Zeichennormalisierung

und Abhängigkeiten existieren auch in anderen Alphabeten – durchaus auch in denen

moderner Sprachen.

Dieser kleine Exkurs in die praktischen Probleme der Zeichennormalisierung bringt die

Erkenntnis, dass für diese Aufgabe keine generische Lösung entwickelt werden kann.

Die Datenaufbereitung in Kadmos ist daher als ein frei anpassbares Verfahren angelegt,

welches für den Import verschiedene vordefinierte Normalisierungs-Komponenten be-

reithält, daneben aber auch die Implementierung eigener „Normalisierer“ ermöglicht.

Für die einfache Behandlung von diakritischen Zeichen im Standardnormalisierer wird

zunächst die NFD gebildet. Anschließend werden alle Zeichen entfernt, die selbst keine ho-

rizontale Ausdehnung besitzen (

nonspacing marks

, wie kombinierende und modifizierende

Zeichen). Es ist leicht einzusehen, dass dabei fürs Deutsche eine spezielle Behandlung

von Umlauten erfolgen sollte, oder bei der Verwendung dieser Normalisierungsstrategie

zuvor eine Umwandlung von Umlauten in Diphthonge angeraten ist. In Kadmos können

solche sprachabhängigen Funktionen in entsprechenden abgekapselten Teilmodulen

vorgehalten werden.

Es können grundsätzlich auch mehrere Normalisierungsvarianten parallel im Modell

erfasst werden, was natürlich bei Wortfrequenz-basierten Statistiken nach der Traversie-

rung des Modells berücksichtigt werden muss. In diesem Fall empfiehlt es sich, an die

Kante zwischen Type und normalisiertem Type die Normalisierungsart in Form einer spe-

ziellen, mit entsprechendem Wert versehenen Kanten-Property zu erfassen und bei der

Abfrage von normalisierten Types nur die Kanten aus einem einzelnen Normalisierungs-

Verfahren zu nutzen.

Die Zeichennormalisierung ist letztlich nur einer der Problemkreise bei der Schaffung

eines geeigneten Zugangs zu Vokabular und Textstellen. Andere Formen der Norma-

lisierung, z. B. zur Abdeckung aller Schreibvarianten von Wörtern, können ebenfalls

berücksichtigt werden. Wenn die normalisierten Formen einen sprachlich korrekten und

lesbaren Wert besitzen müssen und sie für Analysen direkt verwendbar sein sollen, bietet

es sich an, diese normalisierten Formen aufbauend auf der Zeichen-Normalisierung als

eigenständige Wort-Annotation abzuspeichern. Dies ist etwa der Fall bei einer Normalisie-

rung der Sprachstufe von alten in moderne Wortformen. Häufig existieren für diese Form

der Normalisierung sowohl manuelle, als auch statistische und regelbasierte Verfahren

die – wie gerade schon angesprochen – in Kadmos gleichzeitig hinterlegt und wechsel-

weise oder kombiniert verwendet werden können. Diese Form der Normalisierung ist

s. z. B. [BPD11] für die die Transformation vom Frühneuhochdeutschen zum Neuhochdeutschen

Kapitel 3 Kadmos – ein graphbasiertes Recherchesystem

nicht an den Importvorgang gebunden, sondern kann auch zu einem späteren Zeitpunkt

unter Berücksichtigung der im Graphen abgebildeten Kontexte automatisiert erfolgen,

wie z. B. kürzlich in [Dem16] demonstriert wurde.

3.7 Flexibles graphbasiertes Information Retrieval

3.7.1 Retrievalverfahren und Textrepräsentation

Das Fachgebiet des Information Retrieval umfasst keine einzelne Technologie, sondern

eine Vielzahl von Ansätzen, mit denen sich verwandte Problemstellungen lösen lassen.

Baeza-Yates und Ribeiro-Neto umschreiben das Feld in [BYRN99] wie folgt:

Information retrieval deals with the representation, storage, organization of, and ac-

cess to information items such as documents, Web pages, online catalogs, structured

and semi-structured records, multimedia objects. The representation and organiza-

tion of the information items should be such as to provide the users with easy access

to information of their interest.

Manning, Raghavan und Schütze verwenden in [

MRS08

] eine kondensiertere Definition:

Informationretrieval(IR)is finding material (usually documents)ofanunstructured

nature (usually text) that satisfies an information need from within large collections

(usually stored on computers).

Der Begriff Information Retrieval selbst geht auf einen Technologiereport im Umfeld des

Bibliothekswesens aus den frühen 1950er Jahren zurück, s. [

Moo51

]. Seit dieser Zeit steht

der Begriff in größerem Maße für die gewünschten Resultate der Verfahren als für kon-

krete Umsetzungsstrategien. Schon seit langer Zeit hat sich die Verschlagwortung, also

das Vergeben von

Keywords

, als wichtiges Hilfsmittel zur Kategorisierung, Indizierung

und damit „Auffindbarmachung“ von Dokumenten bewährt. Van Rijsbergen verweist in

[

Rij79

] auf Arbeiten von Luhn, der in [

Luh57

] frequenzbasierte Auswertungen des Doku-

mentinhalts vornimmt, um darüber die Indizierung und das Auffinden von Dokumenten

zu vereinfachen.

Grundsätzlich stellt sich die Frage, ob relevante Dokumente allein durch ihren textuellen

Inhalt und ohne zusätzliche menschliche Kategorisierung gefunden werden können.

3.7 Flexibles graphbasiertes Information Retrieval

Schon in Arbeiten aus den 1980er und -90er Jahren wird festgestellt, dass das in einem

Dokument verwendete Vokabular bereits eine erstaunlich gute Basis für automatische

Indexsysteme bildet, welche einer manuellen Verschlagwortung (insbesondere, wenn sie

dezentral von vielen Bearbeitern durchgeführt wird) nicht unterlegen ist. In [

Lew92

] wird

dafür die Bezeichnung „

Equal Effectiveness Paradox

“ verwendet. Interessant ist noch ein

zweiter in dieser Arbeit beschriebener Problemkreis, welcher als „

Perfect Query Paradox

“

eingeführt wird:

Für beinahe beliebige (thematisch abgrenzbare) Untermengen einer Dokumentenkol-

lektion lässt sich eine stichwortbasierte Abfrage erstellen, die alle Dokumente dieser

Untermenge (und kein anderes Dokument) zurückliefert. Als Begründung dafür wird ange-

führt, dass bereits ein individuelles Dokument üblicherweise über wenige sehr spezifische

Wörter, die entweder gar nicht oder nur selten in anderen Dokumenten vorkommen,

identifiziert werden kann

. Eine Komposition solcher Keyword-„Signaturen“ ermöglicht

die Konstruktion einer „perfekten“ Abfrage für alle als relevant erachteten Dokumente.

Das Paradoxe daran ist, dass zum Finden einer perfekten Abfrage lexikalisch-inhaltliches

Wissen über die gesamte Kollektion und speziell über die aufzufindenden Dokumente

nötig ist – was voraussetzen würde, dass sie bereits bekannt sind.

In der Praxis wird dieser Widerspruch durch eine iterative Suchstrategie aufgelöst: Eine

initiale, nicht perfekte Anfrage bietet Zugang zu einem Teil der Dokumentenkollektion,

in dem sich neben irrelevanten Dokumenten auch „Zufallstreffer“ finden, aus denen

sich dann weiteres zur Suchverfeinerung nutzbares Vokabular extrahieren lässt. Daraus

kann abgeleitet werden, dass Interaktion und Exploration bereits bei konventionellen

Recherchesystemen Teil des digitalen Recherche- und Forschungsprozesses sind, auch

wenn diese Aspekte dort in der Regel nicht explizit erwähnt oder durch Werkzeuge und

Bedienoberflächen unterstützt werden.

Aus der Erkenntnis, dass die Wortverwendung in den Dokumenten bereits einen aus-

reichenden Anhaltspunkt über deren inhaltliche Relevanz

darstellt, folgt direkt die

Anwendbarkeit automatischer Methoden mit deutlich verringerten Anforderungen an

eine manuelle Aufbereitung und Anreicherung der Korpora. Sie erlaubt die Erstellung uni-

verseller Verfahren auf der Basis von (im Allgemeinen sprachunabhängiger) Wortstatistik.

Das Information Retrieval teilt sich daher auch viele Textmodelle und Repräsentations-

Sehr spezifische und damit niederfrequente Terme gelten besonders auch in Anwendungsfällen der e-

Humanities als geeignet für das Auffinden interessanter und bisher noch nicht erforschter Textstellen.

Sie bilden damit wichtige „lokale Kontexte“.

angesichts eines konkreten Informationsbedürfnisses

Kapitel 3 Kadmos – ein graphbasiertes Recherchesystem

formen mit anderen Gebieten des Text Minings, wie sie in Abschnitt 2.2.4 auf Seite 39

eingeführt wurden.

Information Retrieval kann über die Betrachtung von Ähnlichkeiten von Wortansammlun-

gen realisiert werden. Dazu können Methoden des semantischen Indizierens angewendet

werden, um Dokumente nach ihrer Bedeutung gruppiert zu „verorten“. Dabei lassen sich

die bereits angesprochenen Methoden zur Ermittlung latenter semantischer Dimensio-

nen und Topics sowie

Word Embeddings

anwenden. Oftmals ist bei solchen Verfahren die

Transformation großer Dokumente allerdings deutlich präziser möglich, als die der Anfra-

ge, da diese meist sehr kurz ist und der zur Errechnung der semantischen Positionierung

benötigte Kontext fehlt.

Für die Errechnung der Ähnlichkeit zwischen Dokumenten und Abfragen (als „Miniatur-

Dokumenten“) können jedoch auch direkt die vorkommenden Terme betrachtet werden.

Entsprechende Vergleichsvorschriften, wie das Cosinus-Maß, der Dice- oder der Jaccard-

Koeffizient, s. z. B. [

MS99

], sind für die Vektorähnlichkeit im Vektorraum-Modell, wie es

in [

SWY75

] beschrieben wurde, gut nutzbar. Dabei kann zusätzlich eine Termgewichtung

stattfinden, etwa nach dem ebenfalls in [SWY75] vorgestellten Tf-idf-Maß.

Ein sehr populäres Verfahren zur Gewichtung des Termfrequenz-Teils von Tf-idf, das

primär für

bag-of-words

-Ansätze verwendet wird, ist BM25, vgl. [

RWJ

]. Für BM25 exis-

tieren zahlreiche Erweiterungen und Parametrisierungen, die sich zum Teil aus (wenig

kritisch hinterfragten) empirischen Optimierungen ergeben haben. Im einfachsten Fall

errechnet sich die gewichtete Termfrequenz wtf laut der Veröffentlichung wie folgt:

wtf =



(

1 − b

)

+ b

avdl



+ tf

mit

, als der Termfrequenz im Dokument,

als der Länge des aktuellen Dokuments in

Wörtern,

avdl

als der durchschnittlichen Dokumentlänge im Korpus sowie einem freien

Parameter

, der meist auf

oder als Funktion von dl und avdl festgelegt wird und

einem weiteren freien Parameter. Diese gewichtete Termfrequenz wird mit der inversen

Dokumentfrequenz (als

log

N+n+0,5

n+0,5

mit

als der Dokumentanzahl und

als der Zahl

der den Term enthaltenden Dokumente) multipliziert. Der so gebildete Wert wird über

alle Suchterme aufaddiert als Ranking eines Dokuments verwendet.

3.7 Flexibles graphbasiertes Information Retrieval

In diesen Rechenvorschriften zeigt sich eine sehr globale Sicht auf das Korpus, für welche

umfangreiche Vorberechnungs- und Indizierungsaufwände entstehen. Die durchschnitt-

liche Dokumentlänge ist global, denn jedes hinzukommende Dokument ändert diese

Größe und jede Abfrage dieses Wertes (ohne Vorberechnung) müsste alle Dokumente

(und alle Wörter darin) betrachten. Die Größe

ist in begrenzterem Umfang global,

da sie (je nach Worthäufigkeit) nur einen kleinen Ausschnitt des Korpus betrifft, und

über eine termspezifische Zählvariable abgebildet werden kann, die nicht für jedes neue

Dokument verändert werden muss. Lokal (bezogen auf das Dokument) ist nur die Term-

frequenz. Es zeigt sich, dass eine solche Gewichtungsstrategie im Zusammenhang mit

einer vorberechnungsfreien (und nur lokal effizient abfragbaren) Textrepräsentation in

Graphdatenbanken nicht geeignet ist.

Grundsätzlich existieren auch gewichtungsfreie Verfahren. Eine der ältesten

Herange-

hensweisen an das Information Retrieval verwendet eine „logische Verknüpfung“ von

Suchwörtern in einer Abfrage und wandelt diese in einfache Mengenoperationen der Er-

gebnismengen einzelner Stichwortanfragen um. Bereits Anfang der 1960er Jahre wiesen

Verhoeff, Goffman, und Belzer in [

VGB61

] anhand einer mathematischen Formulierung

des Retrievel-Prozesses nach, dass die (dort auch eingeführte) „Retrieval-Effizienz“ in

diesem Szenario nicht optimal ist:

If the system responds to a request asking for "a" and "b" by giving the intersection

of the responses it would have given to requests for "a" and "b" separately, it risks

giving too much irrelevant material. If in response to a request for "a" or "b" it gives

the union of the responses to the request for "a" and "b" if made separately, it risks

leaving out relevant material. In both cases it will result in a decrease of efficiency.

Dennoch gibt es auch Gegenstimmen, die den nicht geradewegs zielführenden Kurs der

booleschen Anfragen mit gegebenenfalls notwendigen Neuformulierungen der Anfrage

als eine Chance für explorative Auseinandersetzung mit den Daten sehen, s. z. B. [

Hjø15

wo es heißt:

Users may during the process explore how terms are used, how they co-occur and

how knowledge is organised.

Prinzipiell ist festzuhalten, dass Abfragen initial nicht perfekt sind und nicht sein kön-

nen und daher sukzessive erweitert werden müssen. Je mehr mögliche Schlagworte

und dabei heute noch (speziell auch bei Werkzeugen für die e-Humanities) gebräuchlichen

Kapitel 3 Kadmos – ein graphbasiertes Recherchesystem

oder semantische Dimensionen während der Recherche dann als potentiell interessant

identifiziert werden, umso mehr Dokumente, die (partielle) Treffer aufweisen (und im

DH-Kontext nicht herausgefiltert werden können), werden zurückgeliefert. Dabei sollten

Mengenoperationen auf den Ergebnismengen eher vermieden werden. An ihre Stelle

kann ein geeignetes Ranking der Ergebnisse treten, welches keine Dokumente entfernt,

aber potentiell wichtigere Dokumente priorisiert zurückliefert. Weitere Überlegungen

zum (lokalen) Ranking werden noch in Abschnitt 3.7.4 auf Seite 108 angestellt.

Für den Rechercheprozess in den e-Humanities ergeben sich so grundsätzlich zwei Strate-

gien, um in Dokumentkollektionen alle relevanten Informationen möglichst vollständig

aufzufinden: Zum einen gilt es, das Korpus auf grundsätzlich interessante Teilbereiche

einzuschränken, wofür sich eine Filterung anhand von Metadaten anbietet. Zum ande-

ren soll die Suche nach Dokumenten stetig um zusätzliche relevante Aspekte erweitert

werden. Die optimalen Ergebnisse erhält der Nutzer, wenn beide Strategien gleichzeitig

verfolgt werden. In den folgenden Abschnitten werden die dafür benötigten Verfahren

mit Bezug auf das Textdatenmodell vorgestellt.

3.7.2 Facettierung über nutzerspezifische Metadaten

Um die Nutzung von Suchfacetten zu motivieren, stellt Sacco in [

Sac09

] den universellen

Wert eines explorativen Recherchevorganges heraus:

We contend that most "search" tasks are exploratory and imprecise in essence, and

that using a focalized search paradigm in this context leads perforce to inadequate

or frustrating user interactions.

Bei der Facettierung handelt es sich um das Identifizieren relevanter Inhaltskategorien

und Metainformationen, nach denen die zu durchsuchenden Objekte gruppiert werden

können. Dabei existieren kategoriale Facetten (z. B. der Name des Herstellers eines Produk-

tes) und skalare Facetten (z. B. der Produktpreis). Die von den Objekten angenommenen

Werte innerhalb dieser Facetten folgen einer bestimmten Verteilung, deren visuelle Dar-

stellung dem Nutzer aggregierte Informationen (durchaus im Sinne des Distant Reading)

über die Kollektion gibt.

Diese Facetten können darüber hinaus zur qualifizierten Festlegung von Filterungskri-

terien verwendet werden. In facettierten Oberflächen wird dann üblicherweise die Dar-

3.7 Flexibles graphbasiertes Information Retrieval

stellung der verbleibenden Facetten entsprechend an den neuen Ausschnitt angepasst.

Dadurch lassen sich systematische Abweichungen zur Gesamtverteilung erkennen und

so Hypothesen zu Korrelationen zwischen den Facetten aufstellen.

Durch die Nutzung des Graphenmodells lassen sich in Kadmos reichhaltige Filterungs-

und Aggregierungsmöglichkeiten aus den Daten ableiten. Nicht nur direkt an den Do-

kumenten verankerte Metadaten, wie Genre und Datierung, können genutzt werden,

sondern auch jede Art von durch Traversierung erreichbaren Kontexten. So können

„Berufe der Großväter der Dokumentautoren“ eine durchaus denkbare (und abhängig

von der Fragestellung eventuell sogar sinnvolle) Facette bilden – falls im System ent-

sprechend auch biographische und prosopographische Daten in ausreichendem Umfang

erfasst sind.

Wie z. B. in [

HOH06

] angedeutet ist diese Vielfalt an Möglichkeiten nur schwer allgemein

zu handhaben:

Most facet browsers provide an interface to a single type of resource. Including mul-

tiple types, however, leads to an explosion in the number of corresponding properties

and thus the number of available facets.

Daher wird in Kadmos keine generische Oberfläche zur facettierten Suche bereitgestellt.

Entsprechende Funktionen sollten stets anwendungsfallspezifisch über spezialisierte

Schnittstellen realisiert werden, wozu später in diesem Buch noch technische Details zur

Sprache kommen.

Wenn in der explorativen Recherche ein so starker Fokus auf Metadatenfacetten ge-

legt wird, muss im Kontext der e-Humanities kritisch hinterfragt werden, ob diese den

Forschungsprozess nicht über Gebühr beeinflussen. Stammen die Metadaten aus (poten-

tiell intransparenter) externer Erfassung, so ist tatsächlich eine sorgfältige Prüfung auf

Vollständigkeit, Korrektheit und semantische Kohärenz mit der Forschungsfrage erfor-

derlich. Die dabei auffallenden Fehler können in Kadmos direkt durch entsprechende

Datenbankbefehle behoben werden. Letztlich ist jedoch gerade im historischen Kontext

ein Metadatum oft nicht eindeutig bestimmbar oder selbst Gegenstand kontroverser

Theorien und laufender Forschung.

Um diesem Umstand gerecht zu werden, erlaubt das in Kadmos verwendete Datenmodell

das Hinzufügen nutzerspezifischer Metadaten. In Abbildung 3.8 auf der nächsten Seite

ist dargestellt, wie über Kanten mit dem Label

private

nutzerspezifische Änderungen

100

Kapitel 3 Kadmos – ein graphbasiertes Recherchesystem

an den Metadaten des Korpus ausgedrückt werden können: Der Nutzer mit der ID

hat

den Namen „Herodot“ eines Autors entfernt. Nutzer #

hat die Autorenschaft dieses

Autors zu einem Dokument entfernt und diesem stattdessen einen anderen Autoren

zugewiesen. Nutzer #

schließlich hat lediglich einen bestimmten Abschnitt mit diesem

Autoren verknüpft.

Abbildung 3.8: Schematische Übersicht nutzerspezifischer Metadaten

Sollen die nutzerspezifischen Angaben in einer Abfrage berücksichtigt werden, überla-

gern sie die Standard-Metadaten, falls die hinterlegte User-ID dem aktuell eingewählten

Nutzer entspricht. Alle anderen Nutzer sind von dieser geänderten Sichtweise auf das

Korpus nicht betroffen. Darüber hinaus ist auch denkbar, für diese Form der nutzerspezi-

fischen Metadaten zusätzlich zu Userkennungen auch Gruppenkennungen zuzulassen, so

dass die Angaben für mehrere Nutzer gelten können. Hierbei wäre noch zu klären, wie

widersprüchliche Angaben aus mehreren Gruppen eines Nutzers zu handhaben sind.

Die Manipulationsmöglichkeiten sind dabei nicht auf Kanten beschränkt. Zum Ersetzen

von Werten kann ein Knoten vom Typ

proxy

angelegt werden, in welchem der neue

Property-Wert eingetragen ist. Der Originalknoten kann dann auf diesen Stellvertreter-

knoten über eine

proxy

-Kante, in welcher die aktuelle Nutzer-ID hinterlegt ist, verweisen.

Anstatt solche Konstrukte direkt in den gemeinsamen Daten zu persistieren, ist generell

auch denkbar, die nutzerspezfischen Teile über die sogenannte

Partition Strategy

von

TinkerPop zu isolieren.

http://tinkerpop.apache.org/docs/current/reference/#_partitionstrategy

101

3.7 Flexibles graphbasiertes Information Retrieval

3.7.3 Von Schlagwörtern zur konzeptbasierten Suche

Während (wie bereits beschrieben) das Auffinden relevanter Dokumente über „relevante“

Teile des genutzten Vokabulars möglich ist, stellt sich für automatische Verfahren im

Information Retrieval die Frage, wie genau sich die Bedeutung einzelner Wörter auf die

Dokumente überträgt und worin diese Bedeutung überhaupt besteht. In der Wortbe-

deutungslehre (Semasiologie) wird diese Thematik bereits seit langem untersucht und

in diachroner Sichtweise im Rahmen der Begriffsgeschichte erforscht, s. z. B. [

Fri06

]. In

konkreten und speziellen Forschungskontexten gehen diese Ansätze jedoch meist nicht

weit genug und der Nutzer eines Recherchesystems muss sich die Bedeutung des Vokabu-

lars (parallel zur Suche nach relevanten Dokumenten) selbst erschließen. Auf praktische

Möglichkeiten dafür wird noch genauer in Abschnitt 3.8 auf Seite 109 eingegangen.

In konkreten Recherchesituationen ist die Problemlage zunächst jedoch meist umgekehrt:

Zu einer bestimmten Thematik sollen Dokumente gefunden werden, wofür Suchbegriffe

benötigt werden, deren Bedeutung zur Thematik passt. Diese Suchbegriffe liegen jedoch

(auch jenseits der strengen Sichtweise des

Perfect Query Paradox

) nicht vor. Piotrowski

umschreibt diesen Umstand in [Pio12] für die historische Forschung wie folgt:

When searching a collection of historical documents, the situation is rather like sear-

ching in a foreign language: One may have some ideas about which words may be

used, but one is not sure.

Der Nutzer hat also ein mentales Modell der zu untersuchenden Thematik und muss

dieses als ein abgrenzbares „Konzept“ externalisieren und so mit geeigneten Begriffen

unterfüttern, dass damit eine erfolgversprechende Abfrage des Korpus möglich wird. Ein

Konzept ist dabei eine schwer zu definierende Einheit. Es wird hier weniger im Sinne

einer „Konzeption“, also zielgerichteter Planung verwendet, als dass es als Grundgerüst

für eine Ansammlung von „Bedeutung“ gesehen werden soll. Da diese Bedeutung zu

großen Teilen mit sprachlichen Begrifflichkeiten umschrieben werden kann, zeigt sich

hier eine Nähe zur „Konzeptualisierung“ im Umfeld von Ontologien, s. z. B. [Leh09]:

Eine Konzeptualisierung ist eine abstrakte und vereinfachte Sicht auf einen

Teil der Welt, den man für einen bestimmten Zweck abbilden möchte. [Sie]

enthält Konzepte (Vorstellungen über reale und ideelle Dinge) bzw. die Be-

nennung dieser Konzepte durch Begriffe und die Beziehungen zwischen

ihnen[...]

102

Kapitel 3 Kadmos – ein graphbasiertes Recherchesystem

In Kadmos wird eine ebenso simple wie effektive technische Lösung für eine solche Kon-

zeptualisierung vorgehalten. Bevor diese genauer beschrieben und anhand von Beispielen

demonstriert wird, sollen zunächst einige hinführende theoretische Überlegungen an-

gestellt werden. Neben den angesprochenen Arbeiten de Saussures zur Wortbedeutung

auf syntagmatischer und paradigmatischer Ebene existieren dabei weitere grundsätzlich

verwandte Vorarbeiten.

Zunächst kann auf die Theorie der Sprachlichen Felder (bzw. Wortfeldtheorie) zurückge-

griffen werden. Wie in [

Tri73

] nachzulesen ist, motivierte beispielsweise Jost Trier bereits

in den 1930er Jahren die Betrachtung von lokalen Wortkontexten zum Verständnis von

Wortbedeutung, indem er feststellte:

In einem Gefüge hat alles nur Sinn aus dem Ganzen heraus. So stehn die

Wörter einer Sprache nicht einzeln als Sinnträger da, sondern jedes Wort hat

seinen Sinn nur daher, daß andere neben ihm Sinn haben.

Verwendungskontexte können genutzt werden, um Wörter nach ihren Bedeutungen zu

gruppieren. In [

Fri05

] werden die Einflüsse des Ordnungsprinzips

des 1933 erschienenen

Übersichtswerks „Der deutsche Wortschatz nach Sachgruppen“ von Franz Dornseiff

[

Dor33

] auf diesen Teilbereich der Semantik hervorgehoben. Dornseiff bezeichnet seine

Begriffssammlung im Vorwort bereits u. a. als „Begriffsnetz“, was durchaus in passender

Analogie zu modernen lexikalischen Ressourcen steht.

In [

Hob70

] wird dargelegt, wie die aus solchen Vorarbeiten weiterentwickelten, zunächst

an formeller Logik orientierten Vorstellungen zur „Bedeutungsebene“ von Sprache nach

und nach um psychologische Erklärungen ergänzt und langsam durch diese verdrängt

wurden. In diesem Zusammenhang kamen Überlegungen zur sogenannten Frameseman-

tik auf, vgl. etwa [

Bus12

]. Frames stellen dabei Einheiten von Weltwissen dar, in denen

übliche Standardkontexte erfasst sind, und die Lücken aufweisen können, die mit konkre-

ten Bezeichnern in einer zum Frame passenden Bedeutung gefüllt werden können. Ziem

verbindet in [

Zie05

] die Framesemantik mit der sogenannten Diskursanalyse. Diese stellt

einen Überbegriff für viele (nicht immer theoretisch und methodisch vollständig kompa-

tible) Varianten der systematischen Beschäftigung mit Text in verschiedenen Zweigen

der Sozial- und Geisteswissenschaften dar.

Diese Kette ist bei weitem nicht vollständig und soll nicht als die Beschreibung einer

dort im inneren Titel als „synonymisch geordnet“ beschrieben

103

3.7 Flexibles graphbasiertes Information Retrieval

geradlinigen Entwicklung der Semantik-Forschung missverstanden werden. Dennoch

zeigt sie, dass eine Konzeptdefinition im Sinne der Onomasiologie

durchaus kohärent

mit Theorien über Semantik und Wortbedeutung ist, und diese Gebiete darüber hinaus

eine nicht geringe Verwandtschaft mit Analysemethoden der mit Kadmos adressierten

Fachwissenschaften aufweisen.

Die praktische Anwendbarkeit dieser Überlegungen soll nun am Beispiel der Erweiterung

von Suchvokabular bei der Stichwortsuche demonstriert werden. Dabei wird der Umgang

mit Bedeutungsähnlichkeit hier am einfachsten Fall, nämlich an orthographischen Vari-

anten verdeutlicht. Die Vorgehensweise ist jedoch unverändert auch für Synonyme und

Begriffe gleicher „Sachgruppen“ anwendbar.

Abbildung 3.9 auf der nächsten Seite zeigt einen exemplarischen Recherchefall, in wel-

chem quantitative Untersuchungen auf Basis der Artikeltexte und der Metadatenfacetten

des Veröffentlichungsdatums aller Zeitungsberichte des NYT-Korpus durchgeführt wer-

den. Dafür wird die Visualisierung einer „

Calendar Heat Map

“ gewählt, in welcher hier

dunklere Kästchen eine höhere Anzahl pro Tag darstellen.

Für eine Recherche zu Alko-

holkonsum bei Teenagern wird zunächst eine Suche nach Dokumenten vorgenommen,

die sowohl den Begriff

teenagers

als auch den Begriff

alcohol

enthalten. Aus der Visua-

lisierung ist eine Häufung dieser Dokumente ca. ab der zweiten Hälfte des Jahres 1999

ersichtlich.

Bei einer sorgfältigen Recherche wird dieses Ergebnis auf vielen Ebenen hinterfragt, u. a.

auch durch Prüfung, ob ab diesem Zeitraum generell mehr über diese Bevölkerungsgruppe

berichtet wurde. Die Suche nach

teenagers

offenbart dann eine sprungartige Anhebung

des täglichen Dokumentenvolumens für dieses Suchwort ab dem 1. November 1999. Ein

solch starker, plötzlicher und dauerhafter Effekt ist entweder nur durch einen Fehler

in der Software oder Datenquelle zu begründen (was hier nicht zutrifft) oder sie ist

durch eine systematische Änderung in der Nutzung von Vokabular bei der Texterstellung

erklärbar.

Letzteres kann gezeigt werden, wenn nach der (nun veralteten) Schreibweise

teen-agers

gesucht wird: Diese besitzt einen vollständig komplementären Zeitverlauf.

Mit dieser Erkenntnis lässt sich nun eine erweiterte Anfrage zusammenstellen, deren

als dem oben angesprochenen Gegenstück zur Semasiologie – zu diesem Feld und seinen Methoden

s. z. B. [Grz11]

Für Vor- und Nachteile dieser Visualisierungstechnik s. z. B. [Yau13]

In Abbildung B/2 auf Seite 247 im Anhang sind zwei Beispiele für Histogramme gegeben, in denen

tatsächliche Ereignisse eine sprunghafte Veränderung in der Zahl der Berichte zu einem Suchwort

hervorrufen. Dem sofortigen Anstieg folgt dabei meist ein graduelles Abflachen.

104

Kapitel 3 Kadmos – ein graphbasiertes Recherchesystem

1 9 8 7

1 9 8 8

1 9 8 9

1 9 9 0

1 9 9 1

1 9 9 2

1 9 9 3

1 9 9 4

1 9 9 5

1 9 9 6

1 9 9 7

1 9 9 8

1 9 9 9

2 0 0 0

2 0 0 1

2 0 0 2

2 0 0 3

2 0 0 4

2 0 0 5

2 0 0 6

2 0 0 7

(a) teenagers

AND alcohol

1 9 8 7

1 9 8 8

1 9 8 9

1 9 9 0

1 9 9 1

1 9 9 2

1 9 9 3

1 9 9 4

1 9 9 5

1 9 9 6

1 9 9 7

1 9 9 8

1 9 9 9

2 0 0 0

2 0 0 1

2 0 0 2

2 0 0 3

2 0 0 4

2 0 0 5

2 0 0 6

2 0 0 7

(b) teenagers

1 9 8 7

1 9 8 8

1 9 8 9

1 9 9 0

1 9 9 1

1 9 9 2

1 9 9 3

1 9 9 4

1 9 9 5

1 9 9 6

1 9 9 7

1 9 9 8

1 9 9 9

2 0 0 0

2 0 0 1

2 0 0 2

2 0 0 3

2 0 0 4

2 0 0 5

2 0 0 6

2 0 0 7

1 9 8 7

1 9 8 8

1 9 8 9

1 9 9 0

1 9 9 1

1 9 9 2

1 9 9 3

1 9 9 4

1 9 9 5

1 9 9 6

1 9 9 7

1 9 9 8

1 9 9 9

2 0 0 0

2 0 0 1

2 0 0 2

2 0 0 3

2 0 0 4

2 0 0 5

2 0 0 6

2 0 0 7

(d) (teenagers

OR teen-agers)

AND alcohol

Abbildung 3.9: Jahreskalender-Histogramme (1987–2007) für die

Zusammenfassung orthographischer Varianten in der Stichwortsuche des

NYT-Korpus: (a) initiale Suche, (b) Analyse eines Einzelterms, (c) Auffinden einer

Schreibvariante, (d) Kombinierte Suche mit beiden Varianten

Ergebnis keine klaren Hinweise auf quantitative Effekte über den abgedeckten Zeitraum

hinweg mehr enthält. Für spätere Suchanfragen ist es wünschenswert, für Teenager

immer beide Begriffe zu berücksichtigen. Zudem sollte auch die sprachliche Vielfalt

abgebildet werden und z. B. für die Suche nach Aspekten des Alkoholismus stets auch

Wörter wie

liquor

booze

und

drunk

abgefragt werden. Hier offenbart sich die direkte

Anwendbarkeit einer onomasiologischer Konzeptdefinition auf den in den e-Humanities

üblichen explorativen Recherchevorgang.

Für diese essenziellen Aufgaben der explorativen Suche wurde in Kadmos der Knoten-

typ

concept

eingeführt. Jedes dieser Konzepte ist einem Nutzer zugewiesen und besitzt

105

3.7 Flexibles graphbasiertes Information Retrieval

eine durch diesen vergebene Bezeichnung. In Konzepten können andere Konzepte

normalisierte Types oder unnormalisierte Types (und prinzipiell sogar einzelne Token)

zusammengefasst werden, indem ihnen diese über eine

belongs_to

-Kante zugewiesen

werden. Beim Einfügen von Konzepten in andere Konzepte ist über eine geeignete Abfrage

auszuschließen, dass dadurch direkte oder indirekte Zirkelreferenzen entstehen. Die Ge-

samtheit aller Konzeptknoten mit ihren entsprechenden Inklusionskanten besitzt somit

immer die Topologie eines gerichteten azyklischen Graphen. Übergeordnete Konzepte

„enthalten“ also andere in der Datenbank gespeicherte Elemente, weshalb sie – um ihre

technische Natur hervorzuheben und sie vom Konzept als mentalem Modell abzugrenzen

– auch als „Konzeptcontainer“ bezeichnet werden können.

In Abbildung 3.10 auf der nächsten Seite wird überblicksartig gezeigt, wie die vom Nutzer

definierten Konzepte zusammengestellt werden können und wie sie Vokabular nutzen,

welches im Graphen mittelbar mit Dokumenten verbunden ist, wodurch über sie Infor-

mation Retrieval im klassischen Sinne möglich wird. Es wird dabei auch deutlich, wie

die beiden Dokumente eine unterschiedliche thematische Abdeckung des gesuchten

Konzepts aufweisen. Für eine Suche mittels Konzepten können je nach Anwendungsfall

verschiedene Rankingkriterien aufgestellt werden, die Dokumente mit besonders breiter

(oder aber in auffälligem Maße punktueller) Übereinstimmung mit den enthaltenen

Subkonzepten bevorzugen.

Die gleichermaßen intuitive wie auch stark simplifizierte Konzeptmodellierung durch

(hierarchisierte) Wortgruppierung, wie sie mit den vorgestellten Konzeptcontainern

umgesetzt wurde, lässt sich nicht nur anhand der genannten theoretischen Vorarbeiten

rechtfertigen, sondern auch durch ähnliche Ansätze aus der Praxis des Wissensmanage-

ments stützen. Im Umfeld des Semantic Web wird unter dem Namen Simple Knowledge

Organization System (SKOS) ein Vokabular für die Wissensorganisation verwaltet, wel-

ches unter anderem mit den Konstrukten „

Concept

“ und „

Collection

“ auf ganz ähnliche

Weise arbeitet. Als nutzbare Relationen bietet SKOS u. a. die Prädikate „

broader

“ und

„

narrower

“ (sowie explizit transitive Versionen davon), mit denen sich relative Granu-

laritäten der Konzepte untereinander modellieren lassen. Auch in Kadmos sind viele

weitere Ausprägungsformen von Relationen zwischen Konzepten denkbar und weitere

Bedeutungsunterscheidungen für die

belongs_to

-Beziehung von Sub- zu Superkonzept

leicht technisch umzusetzen. Die konkrete Semantik muss jedoch eng mit den jeweils

Konzepte des gleichen Nutzers oder mit einer dessen Nutzergruppen verbundene und damit „freigege-

bene“ Konzepte

106

Kapitel 3 Kadmos – ein graphbasiertes Recherchesystem

Abbildung 3.10: Schematische Übersicht zur Verknüpfung von Konzepten und

Subkonzepten mit Vokabular sowie dessen Auftreten in Dokumenten

genutzten oder speziell dafür implementierten Retrievalverfahren abgestimmt werden.

Zu deren möglicher Ausrichtung werden im folgenden Abschnitt noch weitere wichtige

Aspekte genannt.

3.7.4 Ergebnisrepräsentation und Retrievalstrategien

Angesichts der zum Teil sehr heterogenen Korpora, mit denen in den e-Humanities

gearbeitet wird, entstehen neue Fragen für das Informataion Retrieval. Anders als im

Bereich von Zeitungstexten oder Webseiten existieren bei der forschungsfragengeleiteten

Recherche anhand spezieller Textgattungen beispielsweise viele mögliche Antworten auf

die Frage nach einem geeignete Anfrageergebnis:

Neben einer (rangsortierten) Liste der gefundenen Dokumente selbst können auch ag-

gregierte Werte der Facetten, wie Autor, Genre oder beliebige Resultate einer Metada-

tentravesierung, ausgegeben werden. Darüber hinaus ist genauso denkbar, nicht das

Dokument, sondern nur Teile davon, wie konkrete Textstellen, das im Kontext gesichtete

107

3.7 Flexibles graphbasiertes Information Retrieval

Vokabular, dessen Annotationen oder die damit verknüpften nutzerdefinierten Konzepte

zurückzuliefern und dabei anwendungsfallspezifisch zu gewichten. In Kadmos ist für

diese Zwecke eine flexible Abfrage solcher „

Objects of Interest

“ möglich, wobei neben der

Nutzung von Basisstrukturelementen auch beliebige künstliche Kontexte, wie Wortab-

stands-Fenster, satzzeichensensitive Fenster, vorkommende Muster von Annotationen,

wie Part-of-Speech (POS)-Tags, uvm. definiert werden können. Nicht immer existiert

für solche Konstrukte ein externalisierbares Referenzierungsschema. Jedoch können

die internen Element-IDs zur Adressierung der jeweiligen Resultate über interaktive

Oberflächen verwendet werden.

Zur Ermittlung einer Rangfolge für die Ergebnisse muss wieder einzelfallabhängig ent-

schieden werden, welche Effekte dadurch erkannt, hervorgehoben oder eliminiert wer-

den sollen. Die Bandbreite reicht von einer einfachen Zählung der

Traverser

, die nach

der Anfrage auf den zurückgelieferten Knoten verweisen, bis hin zu komplexen Berech-

nungsvorschriften, welche auch globale Statistiken (oder Approximationen für diese)

berücksichtigen. Es existieren bereits graphbasierte Maße für Relevanzberechnungen bei

der Schlüsseltermextraktion [

Bou13

], der Termgewichtung [

BL12

] und der termbasierten

Dokumentgewichtung [

RV13

], die als Ausgangspunkt für domänen- und fachfragenzen-

trierte Ansätze dienen können.

Der vorberechnungsfreie Zugriff auf die Datenbasis führt bei komplexeren Abfragen, die

für solche Verfahren zum Teil nötig werden, zu Antwortzeiten jenseits einer wahrgenom-

menen direkten Interaktivität – der Vorgang benötigt also mehr als nur wenige Sekunden,

bis die Ergebnisse vollständig vorliegen. Um dem Nutzer dennoch kein untätiges War-

ten zuzumuten, wird in Kadmos eine Retrievalstrategie bevorzugt, die an das in [

FG06

]

eingeführte

Interrupt-driven Retrieval

angelehnt ist. Dieses lässt den Nutzer intermediäre

Ergebnisse anfordern, welche den aktuellen, unvollständigen Abfragezustand abbilden,

jedoch bereits ein Ranking der Ergebnisse vornehmen. In Kadmos besteht die Möglichkeit,

solche Zwischenmeldungen periodisch liefern zu lassen, also die dafür notwendigen „Un-

terbrechungen“ des Retrievalvorgangs regelmäßig automatisch vorzunehmen. Durch die

asynchrone Schnittstelle ist darüber hinaus die Umsetzung von Retrievalabfragen mög-

lich, welche nicht extern unterbrochen werden müssen, sondern Zwischenergebnisse,

sobald genügend neue Ergebnisse vorliegen, selbsttätig zurückmelden.

Ein so geschaffenes interaktives System, das Ergebnisse auf verschiedenen Granulari-

tätsebenen und unter Berücksichtigung vieler Suchfacetten finden kann, erlaubt eine

explorative Recherche, in welcher in kurzen Iterationsschritten der Recherchefokus an-

108

Kapitel 3 Kadmos – ein graphbasiertes Recherchesystem

gepasst werden kann. Die vielen Möglichkeiten der fachfragengeleiteten und dennoch

explorierenden Navigation durch das Korpus lassen die Recherche zu einem wertvollen

und individuellen Vorgang der Wissenserschließung werden. Daher sollten die dabei

erlangten Erkenntnisse und Entscheidungen möglichst explizit gemacht werden – zum

späteren Nachschlagen, zur Projektdokumentation und als Kommunikationsmittel für

den fachlichen Austausch.

In Kadmos ist die wichtigste Form der Dokumentation des Recherchevorgangs die Samm-

lung der durch den Nutzer angelegten Konzepte. Diese sind Artefakte, die exportiert,

mitpubliziert, kritisch hinterfragt, verglichen, kommentiert usw. werden können. Der

Diskurs um Interpretationen der Korpora und einzelner Themen kann damit in der

Fachcommunity (falls gewünscht) auf expliziterer Ebene ablaufen.

Als Vannevar Bush im Jahr 1945 in einem visionären und vielbeachteten Essay das fiktive

System „Memex“ beschrieb, mit dem sich große Datenmengen

speichern, explorie-

ren und verknüpfen lassen, s. [

Bus45

], wies er bereits auf den größten Vorteil einer

solchen Wissenssammlung hin: Das bewusste Verknüpfen von thematisch verwandten

Informationsressourcen bei der Recherche in Form sogenannter

Trails

zur persönlichen

Wissensorganisation. Eine ähnliche persistente Gruppierungsfunktion für Dokumente

und Textstellen wird durch die Konzepte bereits jetzt geleistet. Eine Erweiterung dieser

um Kommentare, den Verweis auf Strukturelemente und Annotationen und ggf. externe

Wissensbasen könnte Trails auch in Kadmos realisierbar machen.

Wie angesprochen, lässt sich die so zu dokumentierende explorative Suche umso besser

realisieren, je mehr geeignetes Suchvokabular bekannt ist. Neben der manuellen Analyse

von Textstellen der Suchergebnisse lassen sich für diesen Zweck auch semi-automatische

statistikbasierte und visuelle Methoden außerhalb des Information Retrieval nutzen,

welche im nächsten Abschnitt zur Korpusexploration vorgestellt werden sollen.

3.8 Graphbasierte Korpusexploration

Die Erschließung von Vokabular ist ein wesentlicher Arbeitsschritt bei der Analyse von

Korpora in den e-Humanities. Externe lexikalische Ressourcen bilden für spezifische Do-

mänen und Forschungsfragen nur selten eine ausreichende Basis und auch mit Methoden

„A library of a million volumes could be compressed into one end of a desk.“

109

3.8 Graphbasierte Korpusexploration

des

Text Mining

können nicht alle relevanten Kontexte automatisch ermittelt werden.

Deshalb werden explorative Zugänge zu den komplexen semi-strukturierten Datensätzen

benötigt, für die sich eine enge Verzahnung mit Visualisierungsmöglichkeiten der

Visual

Analytics

[

KKEM10

] anbietet. In letzter Zeit sind dort Verfahren für den Umgang mit Text-

daten geschaffen worden, die meist auch unverändert in den e-Humanities anwendbar

sind. Für die Anwendungsszenarien von

Visual Text Analytics

im Bereich der digitalen

Geisteswissenschaften wird in [

EAGJ

] ein Vorgehensmodell skizziert, in welchem ein

auf Forschungsfragen basierender Wissensaggregationsprozess in einzelne Aufgaben der

Wissenserzeugung heruntergebrochen wird. Diese können durch geeignete visuelle und

interaktive Werkzeuge zielgerichtet unterstützt werden.

Konkrete Visualisierungswerkzeuge für Textdaten sind zahlreich vorhanden, sie unter-

scheiden sich jedoch oft recht stark in ihrem genauen Fokus. Für die Darstellung und

Kontrastierung von Wörtern in ihren jeweiligen Verwendungskontexten sollen hier als

erstes die Einsatzmöglichkeiten von

Tag Pies

, s. [

JBR

], in Kadmos vorgestellt werden.

Dabei handelt es sich um „Wortwolken“, die für mehrere Begriffe parallel erzeugt werden,

wobei sie in Segmente eines „Kuchendiagramms“ eingepasst sind, welche die relativen

Anteile der Suchwörter abbilden.

Abbildung 3.11 auf der nächsten Seite zeigt die Tag-Pies-Visualisierung für die normalisier-

ten Types der Wortumgebungs-Kontexte dreier grammatikalischer Formen von „

Κάδµος

“.

Dafür wurde die Layoutvariante „

merged black

“ gewählt, in welcher gemeinsame Kookkur-

renten mehrerer angefragter Terme zusammengefasst in der Mitte dargestellt werden.

Die Kopplung an Kadmos erlaubt, die Abfrage für ein frei wählbares Wortabstandsfenster

(hier auf 5 Wörter festgelegt) vorzunehmen. Filterungen, wie sie für das Information

Retrieval bereits vorgestellt wurden, sind zudem für diese Form der Korpusexploration

analog umsetzbar.

Die Visualisierung gibt einen ersten Überblick, an den sich genauere philologische Be-

trachtungen anschließen müssen. Es sind dabei jedoch auch bereits für den Laien auf-

fällige Effekte erkennbar. So befinden sich in den Kontexten der Nennung von Kadmos

z. B. die Nominative der Namen seiner Frau (

῾Αρµονία

– Harmonia) und seiner Tochter

(

Σεµέλη

– Semele) ausschließlich bei der Genitivform

Κάδµου

. Daraus könnte gefolgert

werden, dass sie nur mit ihm im Text kookkurrieren, wenn sie als seine Verwandten vor-

gestellt werden. Zur Überprüfung solcher Ableitungen können die einzelnen Textstellen

des gemeinsamen Auftretens interaktiv durch Klicken auf den entsprechenden Kook-

http://www.tagpies.vizcovery.org/

110