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

Kapitel 3 Kadmos – ein graphbasiertes Recherchesystem

Abbildung 3.11: TagPies für den Vergleich grammatikalischer Formen des

Eigennamens „Kadmos“ im TLG-Korpus

kurrenzterm aufgerufen werden. Für die Korpusexploration sind solche mehrstufigen

Visualisierungstechniken (hier: Wortsuche, Kookkurrenzauswahl, Textstellenanalyse),

die meist unter dem Begriff des Focus+Context

geführt werden, von großem Wert.

Verschiedene Teile des Vokabulars (z. B. die Wortarten) haben unterschiedliche Funktio-

nen für die Kontexte und selbst „Stoppwörter“, also kurze häufige Wörter, weisen (meist

aus grammatikalischen Gründen) eine besondere Affinität zu bestimmten Kontexten auf.

Kurze Wörter lassen sich in der Darstellung gut überlesen, so dass in vielen Fällen auf ihre

Filterung verzichtet werden kann und (im Sinne offener Forschung und auf formeller

eine etablierte Technik der Informationsvisualisierung, eingeführt in [SA82] als „Bifocal Display“

111

3.8 Graphbasierte Korpusexploration

Korrektheit bedachter Verfahren) verzichtet werden sollte. Stattdessen kann durch die

Nutzung von Termgewichtung und Kookkurrenz-Signifikanzmaßen der Fokus potentiell

auf seltenere Wörter gelegt werden. Dazu wird in Abbildung 3.12 eine Übersicht über

den visuellen Effekt verschiedener Normierungsvarianten für die Termgewichte gegeben.

Das Tf-idf-Maß wird dabei im Sinne von [SWY75] errechnet.

hamburg

bonn

stuttgart

und

nach

von

die

aus

mit

teilgenommen

wohnhaft

eine

ein

als

der

fuer

adresse

universitaet

sowie

stadt

durch

2010

zwischen

dass

war

unter

2000

wurden

olivergrimm

diplomatische

lebende

hauptbefragungsstelle

ueber

oberkirchenrat

buero

auch

olivergrimmclub

sicherungsgruppe

vertraege

seitens

besucht

landesvorstandes

sendet

meerkatz

erschienenen

geflogen

rowohltverlag

bewerteten

vor

werde

seine

sich

karlsruhe

verstaerkt

stattfinden abgeschlossen

sei

springerverlag

werden

inszenierte

eingelegt

man

einzuladen

habe

7000

brd

schaarschmidt

wirbt

geschaeftsstelle

rauchwarenmesse

jetzt

fliegt

zurueckkommen

aelterer

dem

bei

wohnhaften

vollkommen

sehr

zusammen

angekommen

eisenwerk

erklaerte

frau

erfolgte

untergebracht

aufhalten

oder

hoffmann

wird

stern

enttaeuscht

veroeffentlicht

fuehren

telefonisch

geboren

fruehling

deutschland

durchgefuehrt

name29

hannover

sagte

schaumburglippestrasse2

gegeben

handelskammer

denen

vertreten

wasserwirtschaftsprojektierungsbueros

ist

musste

sandte

schlesinger

abzukuerzen

gelenkte

ausgebombt

delegiertentag

kennzeichen

ihr

fuhr

abzuwerben

abgelehnt

begleitet

sender

warnte

koeln

dazu

inszenierten

gehe

keine

kohlescheidungsgesellschaft

gefahren

absprachen

traf

bekannt

ehrenmitglied

dies

bezogen

nicht

erhob

erreicht

erscheinende

sitz

name6

landesrentenbank

(a) absolute Frequenzen (0,2s)

hamburg

bonn

stuttgart

nach

von

und

mit

teilgenommen

die

wasserwirtschaftsprojektierungsbueros

universitaet

wohnhaft

stadt

adresse

aus

zwischen

olivergrimmclub

sowie

eine

als

ein

fuer

durch

olivergrimm

der

sicherungsgruppe

rauchwarenmesse

fruehling

landesrentenbank

kohlescheidungsgesellschaft

schaumburglippestrasse2

hauptbefragungsstelle

springerverlag

abzukuerzen

ehrenmitglied

ausgebombt

fliegt

delegiertentag

gelenkte

sendet

rowohltverlag

meerkatz

sandte

geflogen

angekommen

bewerteten

wirbt

handelskammer

erscheinende

inszenierte

landesvorstandes

geschaeftsstelle

eisenwerk

2010

zurueckkommen

name29

erschienenen

warnte

abzuwerben

aelterer

eingelegt

diplomatische

schaarschmidt

karlsruhe

einzuladen

inszenierten

stern

erhob

7000

lebende

hannover

hoffmann

aufhalten

telefonisch

absprachen

untergebracht

begleitet

traf

koeln

vertraege

wohnhaften

buero

sitz

besucht

enttaeuscht

2000

sender

gefahren

vollkommen

schlesinger

gehe

kennzeichen

veroeffentlicht

stattfinden

abgeschlossen

oberkirchenrat

name6

frau

bezogen

fuhr

erreicht

deutschland

geboren

musste

verstaerkt

abgelehnt

fuehren

zusammen

gegeben

sagte

vertreten

erklaerte

seitens

durchgefuehrt

erfolgte

dies

werde

denen

ihr

sehr

dazu

jetzt

war

seine

unter

oder

bekannt

habe

man

keine

sei

vor

wurden

brd

dass

auch

ueber

wird

bei

ist

werden

dem

nicht

sich

(b) normiert nach Korpusfrequenz (9,2s)

hamburg

bonn

stuttgart

nach

und

von mit

die

teilgenommen

universitaet

wohnhaft

stadt

adresse

aus

eine

als

zwischen

ein

sowie

der

fuer

durch

delegiertentag

hauptbefragungsstelle

abzukuerzen

rauchwarenmesse

kohlescheidungsgesellschaft

springerverlag

meerkatz

fruehling

schaumburglippestrasse2

schaarschmidt

wasserwirtschaftsprojektierungsbueros

ausgebombt

olivergrimm

rowohltverlag

sicherungsgruppe

olivergrimmclub

abzuwerben

landesrentenbank

landesvorstandes

sendet

wirbt

handelskammer

angekommen

gelenkte erscheinende

fliegt

eisenwerk

ehrenmitglied

zurueckkommen

2010

erschienenen

sandte

einzuladen

name29

eingelegt

geflogen

stern

bewerteten

warnte

hoffmann

aelterer

lebende

karlsruhe

schlesinger

inszenierte

telefonisch

geschaeftsstelle

untergebracht

diplomatische

vertraege

inszenierten

buero

erhob

traf

hannover

besucht

7000

2000

koeln

kennzeichen

absprachen

gefahren

sitz

fuhr

begleitet

aufhalten

abgeschlossen

wohnhaften

frau

enttaeuscht

geboren

sender

oberkirchenrat

sagte

vollkommen

erreicht

gehe

verstaerkt

veroeffentlicht

stattfinden

name6

bezogen

erklaerte

dies

deutschland

war

musste

ihr

abgelehnt

jetzt

fuehren

durchgefuehrt

vertreten

sehr

gegeben

man

zusammen

habe

werde

seitens

oder

dass

brd

erfolgte

denen

vor

unter

seine

nicht

dazu

bei

wurden

ueber

sei

dem

bekannt

keine

wird

auch

ist

werden

sich

(30,4s)

hamburg

bonn

stuttgart

nach

von

mit

und

die

wohnhaft

teilgenommen

universitaet

adresse

stadt

zwischen

aus

eine

als

sowie

ein

durch

fuer

kohlescheidungsgesellschaft

abzukuerzen

der

fruehling

springerverlag

schaumburglippestrasse2

hauptbefragungsstelle

wasserwirtschaftsprojektierungsbueros

rauchwarenmesse

meerkatz

sicherungsgruppe

ausgebombt

delegiertentag

schaarschmidt

olivergrimm

rowohltverlag

olivergrimmclub

landesrentenbank

abzuwerben

sendet

landesvorstandes

fliegt

wirbt

handelskammer

angekommen

ehrenmitglied

eisenwerk

gelenkte

erscheinende

2010

zurueckkommen

sandte

2000

geflogen

erschienenen

bewerteten

einzuladen

name29

eingelegt

geschaeftsstelle

stern

aelterer

hoffmann

inszenierte

lebende

karlsruhe

schlesinger

warnte

telefonisch

diplomatische

untergebracht

inszenierten

vertraege

erhob

buero

hannover

traf

7000

besucht

koeln

kennzeichen

absprachen

gefahren

sitz

fuhr

begleitet

aufhalten

abgeschlossen

wohnhaften

frau

enttaeuscht

geboren

sender

oberkirchenrat

sagte

vollkommen

erreicht

gehe

verstaerkt

veroeffentlicht

stattfinden

name6

bezogen

erklaerte

dies

deutschland

ihr

musste

jetzt

abgelehnt

war

fuehren

durchgefuehrt

vertreten

sehr

gegeben

man

zusammen

habe

seitens

werde

oder

erfolgte

brd

denen

seine

vor

dazu

unter

nicht

sei

bei

dass

ueber

bekannt

dem

keine

wird

auch

wurden

ist

werden

sich

(d) normiert analog Tf-idf-Maß (31,5s)

Abbildung 3.12: Kookkurrenzterme in direkter Nachbarschaft der Wörter bonn,

hamburg und stuttgart im Stasi-Korpus visualisiert mit verschiedenen

Gewichtungsmethoden (incl. der jeweiligen Abfragezeiten ohne Vorberechnung)

Es lässt sich ablesen, dass seltenere Wörter, wie z. B. „Kohlescheidungsgesellschaft“ durch

die Normierung stärker hervortreten. Solche Effekte sind in der historischen Forschung

112

Kapitel 3 Kadmos – ein graphbasiertes Recherchesystem

oft gewünscht, in anderen Feldern, wie der Stilometrie, wo eine Kontrastierung von Voka-

bularnutzungsweisen zwischen Autoren stattfindet, werden dagegen meist systematische

Abweichungen im Bereich häufiger Wörter untersucht.

Während in Tag Pies für die Wortkontexte ein Bag-of-Words-Ansatz gewählt wird, kann

für andere Visualisierungsansätze die in Kadmos gespeicherte Wortreihenfolge genutzt

werden. Neben der Erstellung klassischer Konkordanzlisten können die Umgebungen

auch aggregiert angezeigt werden. Abbildung 3.13 zeigt ein Beispiel für die häufigkeitssor-

tierte Auflistung von linken und rechten Nachbarn für mehrere Types, die dem gleichen

normalisierten Type zugeordnet sind. Die Visualisierungskomponente für das Werkzeug

Netspeak

, s. [

RGP

], unterstützt darüber hinaus eine Aggregierung von Wortkontex-

ten bis zur Länge 5, die beliebigen Mustern folgen können, also z. B. den Nutzer mögliche

Ersetzungen von Teilen fixer Phrasen finden lassen. Auch eine solche Oberfläche könnte

mit Kadmos als Backend betrieben werden. Eine Längenbeschränkung wäre dabei tech-

nisch nicht notwendig. Allerdings wäre die Abfrageperformance der Graphdatenbank für

die interaktive Aggregierung häufiger Muster ggf. nicht ausreichend.

Oberst

MfS

durch

von

amerikanischen

amerikanischer

mit

seien.

auszuweisen.

gegenüber

Bezirksverwaltung.

verständigt.

Bezirkskommandant

gewisser

teil.

Genosse

Leiter

gehören)

[Name],

Genossen

einen

Mecklenburg;

Schegonin

von

eine

(Chef

Weikert

Brown

Szinda

Szinda,

Peter

Barré

Chouffin

McQuail

der

Kramer

gehandelt

Oberst,

amerikanische

sowjetischer offensichtlich

Oberst.

Ein

Abbildung 3.13: Visualisierung aggregierter Konkordanzdaten für direkte

Nachbarn des unnormaliserten Types „oberst“ im Stasi-Korpus

Für diese Art von Kontexten existieren weitere Visualisierungsmöglichkeiten, etwa der

in [

DK15

] vorgestellte „

WordWanderer

“, der als „

casual form of engagement with text

“ unter

Nutzung von Wortwolken und Kollokationsfenstern der fixen Breite 7 eine Korpusexplora-

tion ermöglicht. Das Programm verfügt über kein Datenbankbackend, und kann daher nur

mit Einzelkorpora limitierter Größe genutzt werden: „

At present, WordWanderer only uses

individual texts of up to about 50,000 words [...], but it can be extended to much larger corpora

http://www.netspeak.org/

113

3.9 Evaluierung

when coupled with a backend and a database.

“ – Auch hier bietet sich Kadmos perspektivisch

als Backend an.

Einen ähnlichen Ansatz wie die Metadatenfacettierung in Kadmos verfolgt das Werk-

zeug DiaCollo, s. [

JGW16

]. Dort werden für die Kollokationsanalyse und -darstellung auch

Dokumentenzeitstempel berücksichtigt, so dass eine diachrone Sicht auf kookkurrieren-

de Kontextwörter möglich wird. Die Breite der auszuwertenden Nachbarschaftsfenster

kann dort allerdings nicht zur Laufzeit eingestellt werden, da diese Justierungen eine

Neuerstellung der Datenbasis erfordern.

Kadmos ist also kompatibel zu bestehenden Werkzeugen für die Korpusexploration und

das darin verwendete graphförmige Textdatenmodell bietet zudem viele Möglichkeiten

zur Bereitstellung von Anfrageergebnissen in etablierten Formaten. Um die existierenden

Kontexte sichtbar zu machen, kann zudem eine Graphenvisualiserung für Ausschnitte

der Datenbank vorgenommen werden. Dafür wurde das interaktives Werkzeug „Kadmos

Navigator“integriert. Es erlaubt eine Visualisierung der Zusammenhänge im Graphen und

unterstützt das Nachladen weiterer Teile in die bestehende Ansicht durch Interaktion

mit den dargestellten Knoten. Für die visuelle Repräsentation wird der übliche Weg

über eine Planarisierung des Graphen vorgenommen. Einen Überblick über die dabei

grundsätzlich relevanten visuellen Parameter gibt [

Pur02

]. In der konkreten Umsetzung

wurde der kräftebasierte Layoutalgorithmus ForceAtlas2, s. [

JVHB14

], verwendet und die

Visualiserung über die Javascript-Bibliothek Sigma

umgesetzt. In Abbildung B/3 auf

Seite 248 im Anhang ist ein darüber dargestellter Ausschnitt der Datenbank zu sehen.

All diese vorgestellten Explorationsmöglichkeiten bedienen sich in Kadmos keiner Vorbe-

rechnung und keiner anderen Unterstützungsstruktur als der des Graphen (und dessen

Indexsystems). Entsprechend ist die Betrachtung der Leistungsfähigkeit des Systems

als Teil der nun folgenden Evaluierung eine wesentliche Voraussetzung für seine breite

Anwendbarkeit.

3.9 Evaluierung

Kadmos ist ein anpassbares Recherchesystem, mit dem sich viele Aufgaben der automati-

schen Sprachverarbeitung auf eine neuartige Weise bearbeiten lassen. An dieser Stelle

http://sigmajs.org/

114

Kapitel 3 Kadmos – ein graphbasiertes Recherchesystem

sollen die Leistungsgrenzen des Systems ausgelotet werden. Eine Evaluierung der „Quali-

tät“ des Systems ist dagegen nur schwer zu erbringen, da die Zweckmäßigkeit sich nur

anhand eines bestimmten Einsatzzwecks beurteilen lässt. Zum Verhalten der Technologie

in konkreten Einsatzszenarien werden im nächsten Kapitel noch weitere Betrachtungen

angestellt. Hier sollen zunächst nur die Ausführungsparameter des Systems untersucht

werden.

In Abbildung 3.14 auf der nächsten Seite ist die Anfragezeit für die Traversierung der

lokalen Kontexte von Wörtern abgebildet. Die Messung erfolgte auf dem kompletten

Stasi-Korpus. Dabei wurde für alle 80.584 normalisierten Types eine Abfrage ausgeführt,

die über die Type-Knoten die zugeordneten Token anläuft, ihre direkten linken und

rechten Nachbarn traversiert und schließlich deren (wiederum indirekt über unnorma-

lisierte Types) verknüpfte normalisierte Token erreicht. Diese Endpositionen werden

(um ein realistisches Anfrageszenario nachzubilden) anschließend gruppiert, innerhalb

der Gruppe gezählt und nach dieser Anzahl absteigend sortiert. Zusätzlich wird für

die Gruppe der gespeicherte Textwert des Knotens ausgelesen. Die Anfragen erfolgten

sequenziell in zufälliger Reihenfolge in einem einzigen Durchgang und ohne Paralleli-

sierung (

single-threaded

). Das System wurde zuvor neu gestartet, ein „Vorwärmen“ des

Zwischenspeichers fand also nicht statt, was die gelegentlichen hohen Ausschläge des

Maximalwerts erklärt.

Für Wörter mit bis zu 10.000 Nachbarn kann die Anfrage in der Regel in weniger als

einer Sekunde beantwortet werden. Für niederfrequentes Vokabular lässt sich eine Ant-

wortzeit von wenigen Millisekunden realisieren. Im Diagramm lässt sich gut ein linearer

Zusammenhang zwischen Anfragezeit und Ergebnisgröße ablesen. Es handelt sich also

um einen „outputlinearen“ Vorgang. Das damit verbundene Systemverhalten im Hinblick

auf Wartezeiten kann Nutzern in der Regel gut kommuniziert werden und gibt bereits

während der Ausführung der Anfrage ein Feedback zur erwartbaren Ergebnismenge:

Wenn die Anfrage lange dauert, werden wahrscheinlich viele Ergebnisse zurückgeliefert.

Das ermöglicht ggf. den frühen Abbruch einer thematisch deutlich zu breit gefassten

Anfrage.

Generell dürften die Antwortzeiten jedoch angemessen ausfallen. Abbildung 3.15 auf

Seite 117 zeigt, dass im Text die meisten Wörter nur sehr selten vorkommen und das

häufige Vorkommen eines Wortes sehr selten ist. Mehrere zehntausend normalisierte

Types kommen im Stasi-Korpus nur ein einziges mal vor und jeweils nur einzelne tauchen

im Fließtext mehr als zehntausend mal auf. Diese prinzipielle Häufigkeitsverteilung des

115

3.9 Evaluierung

−3

−2

−1

Anzahl benachbarter Token

Anfragezeit in Sekunden

Minimum

Maximum

Arithmetisches Mittel

Abbildung 3.14: Abfragezeit für gruppierte normalisierte Kookkurrenzwörter im

Stasi-Korpus, ermittelt auf einer frisch gestarteten Kadmos-Instanz mit genügend

großem Arbeitsspeicher

Vokabulars von Texten ist gut erforscht und wurde von George Kingsley Zipf bereits in

den 1930er Jahren (anhand von nach Rang sortierten Wortfrequenzen) mathematisch

beschrieben, s. u. a. [Zip32].

In der Praxis bedeutet das für die Evaluierung der Abfragegeschwindigkeit, dass lokale

Kontexte von Wörtern in der überwiegenden Anzahl von Fällen sehr schnell ermittelt

werden können. Die Abfrage von Konzepten, die viele Wörter umfassen, ist ebenfalls

schnell, so lange die Wörter sehr spezifisch sind. Ein Konzept, das hochfrequente Begriffe

(z. B. „Stoppwörter“, wie Artikel und Präpositionen) gruppiert, kann trotz geringem Vo-

kabularumfang sehr lange Abfragezeiten verursachen. Für solche omnipräsenten Terme

erweitert sich die durch Graphdatenbanken unterstützte Sicht auf lokale Kontexte zu

einer globalen Betrachtung des kompletten Textes. Hier können vorberechnungsfreie Sta-

tistiken nicht interaktiv abgefragt werden und auch Kontextabfragen übersteigen die von

herkömmlichen Volltextsuchsystemen gewohnten Antwortzeiten um ein Vielfaches.

116

Kapitel 3 Kadmos – ein graphbasiertes Recherchesystem

1 ### Datenbankabfragen

2 raw_results = @corpus.find_normalized_type_nodes.map do |nt|

3 start_time = Time.now

4 neighbors = nt.in(:normalization).out(:type_token).both(:next).in(:type_token

& ).out(:normalization)

5 groups = neighbors.map{|rnt|rnt[:string_value]}.group_count

6 duration = Time.now - start_time

7 hits = groups.values.inject(&:+)

8 next [hits, duration]

9 end

10 ### Ergebnisstatistik

11 results = raw_results.group_by(&:first).map do |count, entries|

12 times = entries.map(&:last)

13 average = (times.inject(&:+)

1.0/times.count)

14 next [count, [average, times.min, times.max]]

15 end

16 ### Ausgabe als Tab-separierte Liste

17 out.object results.sort_by(&:first).map{|l|l.join("\t")}.join("\n")

Quelltext 3.3: Benchmarking-Code für gruppierte normalisierte

Kookkurrenzwörter

Tokenfrequenz von Normalisierten Types

Anzahl Normalisierter Types

Abbildung 3.15: Normalisierte Types nach Tokenanzahl im Stasi-Korpus

Nicht alle Abfragearten weisen ein lineares Antwortverhalten bezüglich Eingabe- oder

Ausgabegröße auf. Neben der grundsätzlichen Analyse der algorithmischen Komplexi-

tät der Abfragen sind weitere Zusammenhänge zu berücksichtigen, wenn die Ausfüh-

rungsaufwände für Abfragen praxisnah bestimmt werden sollen: Zum einen sind die

Traversierungsvorgänge grundsätzlich von der Topologie des Graphen abhängig. Zwar

117

3.9 Evaluierung

ist das Schema für die Textrepräsentation einheitlich, jedoch bestimmen die Sprache

und Textgattung der repräsentierten Dokumente sowie die dokumentübergreifenden

Verknüpfungen (z. B. über Metadaten oder Annotationen) wesentlich den Grad der Ver-

knüpfung in der Datenbasis. Zudem ist oft nicht abzuschätzen, inwieweit technische

Parameter, wie Effekte der Speicherverwaltung, und der Parallelisierbarkeit, bei verschie-

denen

Workloads

ins Gewicht fallen. Komplexitätsbetrachtungen auf rein theoretischer

Ebene – etwa anhand der expliziten Traversierungsvorschriften – sind daher nicht aus-

sagekräftig für das reale Verhalten des Systems. Die tatsächlichen Ausführungszeiten

können jedoch systematisch erfasst werden und dann durch geeignete Schätzverfahren

im Kontinuum zwischen den bekannten Komplexitätsklassen positioniert werden. Ein ge-

eignetes Werkzeug für diese Form der Komplexitätsbestimmung stellen die in [

TWD

]

vorgestellten Complexity Plots dar.

Als nächstes soll sich eine Untersuchung der Skalierbarkeit des Systems anschließen.

Dabei steht nicht die Skalierung der externen verteilten Speicher-Backends im Fokus.

Diese wurden, wie eingangs in diesem Kapitel beschrieben, bereits andernorts untersucht

und spiegeln hauptsächlich technische Entscheidungen und Kompromisse innerhalb des

vom CAP-Theorem abgesteckten Rahmens wider.

Stattdessen wird hier die Parallelisierbarkeit der lokalen Abfrageausführung mit dem

lokalen Backend untersucht. In Abbildung 3.16 auf der nächsten Seite kann der Geschwin-

digkeitszugewinn bei Erhöhung der Threadanzahl bei nebenläufig abgearbeiteter Gra-

phentraversierung abgelesen werden. Die Abfrage ist dabei die selbe wie im vorangehen-

den Beispiel: das Finden direkter Nachbarschafts-Kookkurrenten. Hier wurden jedoch

nur Wörter betrachtet, deren Häufigkeit deutlich größer als die Thread-Anzahl ist, um zu

häufige Kontextwechsel zu vermeiden.

Die sublineare Beschleunigung bei zwei Threads lässt sich eventuell mit zusätzlichen

Aufwänden für die Verwaltung von Threadsicherheits- und Threadkommunikations-

Mechanismen erklären. Die superlineare Beschleunigung von vier bis ca. zehn Threads

könnte mit der besseren Handhabbarkeit von Latenzen des Festplattenzugriffs erklärbar

sein, verglichen mit einer rein sequentiellen Abfrage verschiedener Bereiche des Gra-

phen. Die stagnierenden und später sogar abfallenden Beschleunigungswerte deuten

auf eine Erhöhung der Koordinationsaufwände für Threads und größere gegenseitige

Abhängigkeiten hin. Eingehendere Untersuchungen dazu wurden aber nicht angestellt.

Hier verbirgt sich ggf. noch Optimierungspotential. Es zeigt sich aber, dass eine zehnfache

Beschleunigung einer üblichen Abfrage durch Multithreading durchaus realistisch ist.

118

Kapitel 3 Kadmos – ein graphbasiertes Recherchesystem

8 16 24 32 40

1 2 3 4 5 6 7 10 12 14 20

Anzahl paralleler Threads

Beschleunigungsfaktor

BTL-Korpus Copperfield-Korpus

TLG-Korpus

Voynich-Korpus

Abbildung 3.16: Median der Abfragebeschleunigung durch parallelisierte

Traversierung auf einem System mit vier Achtkern-Prozessoren, gebildet über je

100 Durchgänge

Was in der Grafik zusätzlich deutlich wird, ist die Abhängigkeit der Beschleunigung

vom Korpus. Denkbare Faktoren dafür sind Sprache und Genre der Texte und die davon

abhängigen Besonderheiten in der Vernetzung des Graphen. Die Größe des Korpus scheint

auf die Parallelisierbarkeit nur einen geringeren Einfluss zu haben

Im nächsten Schritt soll eine Untersuchung des Arbeitsspeicher-Bedarfs des Kadmos-

Systems folgen. Dabei wird es in typischer Konfiguration, befüllt mit einigen Korpora

(darunter auch größere), unter Nutzung lokaler Speicher-Backends betrachtet. Der maxi-

mal nutzbare Arbeitsspeicher wird über den Parameter

Xmx

der Java-Laufzeitumgebung

reguliert.

In Tabelle 3.3 auf der nächsten Seite wird das Verhalten des Systems unter beschränkter

Zuweisung von Arbeitsspeicher untersucht. Der dort aufgeführte Festplattenplatz pro

Korpus bezieht sich auf die persistierten Daten der Berkeley DB zuzüglich der Dateien des

lokalen Lucene-Volltextindex. Die angegebenen Zeiten beziehen sich auf das Sortieren

aller Types nach ihrer jeweiligen Tokenanzahl unter Angabe des jeweiligen String-Werts.

Die Abfrage erfolgt in einem einzelnen Thread.

Im Hinblick auf die Speicheranforderungen lässt sich feststellen, dass das System (ohne

weitere dahingehende Optimierungen) zwar für den Einsatz auf Desktop- oder Serverum-

gebungen, nicht aber nicht für den Betrieb im Embedded-Bereich geeignet ist.

Im Rahmen der Leistungsevaluierung von Kadmos-Services bleiben noch einige Bemer-

kungen zum

Caching

zu tätigen: Bei der Anfrage kann es sinnvoll sein, in lokalen Variab-

Das BTL-Korpus und das TLG-Korpus sind deutlich größer als die beiden anderen

119

3.9 Evaluierung

-Xmx Fehlermeldung beim Startvorgang bis 256MB:

1m ö

2m, 4m, 8m 

16m, 32m Y

64m, 128m 

256m á

-Xmx Voynich-Korpus Reuters-Korpus BTL-Korpus

512m 15s —, Y —, Y

1g 5s 147s, Y —, Y

2g 5s 41s —, Y

4g 4s 40s 3790s, 

8g 5s 39s 439s

16g 5s 40s 265s

32g 5s 41s 275s

64g 5s 42s 283s

128g 4s 43s 296s

256g 5s 45s 298s

Top-Type: 661 × „ “ 119584 × „the“ 356144 × „et“

Festplattenplatz: 50 MB 2621 MB 17819 MB

Legende für Fehlermeldungen:

ö Error occurred during initialization of VM

 OutOfMemoryError: Java heap space

Y OutOfMemoryError: GC overhead limit exceeded

 Could not instantiate implementation: BerkeleyJEStoreManager

á TitanException: Could not execute operation due to backend exception

Tabelle 3.3: Antwortzeiten und Fehlermeldungen bei der Ausführung von

Kadmos mit beschränktem Arbeitsspeicher. Bis 256 MB ließ sich das System nicht

starten.

120

Kapitel 3 Kadmos – ein graphbasiertes Recherchesystem

len Zwischenergebnisse vorzuhalten (etwa über

hashes

mit entsprechenden eindeutigen

Schlüsseln), die dann in der weiteren Anfrage (ohne eine redundante Berechnung zu

erfordern) genutzt werden können.

Darüber hinaus kann darüber nachgedacht werden, häufig genutzte, oder weitestgehend

statische Kennzahlen (z. B. die Zahl ausgehender Kanten eines Typs) direkt im Proper-

ty Graph zwischenzuspeichern und so eine abfrageübergreifende Beschleunigung zu

erzeugen. Entsprechend müssen bei dynamisch veränderlichen Werten Strategien zur

Invalidierung gefunden werden (Neuberechnung bei zu alten Zeitstempeln, Neuberech-

nung beim Hinzufügen neuer Knoten oder Kanten in der Nachbarschaft). Hier bieten sich

unterschiedliche Herangehensweisen bei abgeschlossenen und veränderlichen, offenen

Korpora an. Die tatsächliche Wirksamkeit muss dabei auch immer in Kombination mit

dem jeweils gewählten Speicher-Backend evaluiert werden.

Auch wenn hier, wie eingangs erwähnt, keine Evaluierung der Zweckmäßigkeit oder gar

Qualität von speziellen Verfahren durchgeführt werden kann, so soll doch darauf hin-

gewiesen werden, dass Kadmos grundsätzlich zur Durchführung solcher Evaluierungen

geeignet ist. Gerade weil z. B. das vorgestellte Feld des Information Retrieval im Rahmen

der e-Humanities stets eine aufgabenspezifische Anwendung von spezialisierten Algo-

rithmen mit sich bringt, sind für eine Evaluierung auf diesem Gebiet stets recht wenig

vergleichbare Ansätze verfügbar.

Vergleiche können zudem sinnvollerweise nur anhand

gleicher Datengrundlagen und mit gleichen Testbedingungen erfolgen.

Für solche gezielten Tests empfiehlt sich eine Vergleichsinfrastruktur, wie z. B. das

„

Testbed for Information Retrieval Algorithms

“ [

GSBH12

], welche grundsätzlich auch in Kad-

mos integriert werden kann. Die allgemein angebotenen Möglichkeiten zur Erweiterung

des Systems werden nun in den folgenden Abschnitten vorgestellt.

Die isolierte Betrachtung einzelner Verfahren ist insbesondere dann nicht zielführend, wenn jeweils

nur mit einem schwachen Baseline-Verfahren verglichen wird, wie [

AMWZ09

] argumentiert. Daraus

resultieren oft schlecht verallgemeinerbare und kombinierbare Optimierungen, die sich nicht in

anderen Kontexten bewähren.

121

3.10 Erweiterungsmöglichkeiten

3.10.1 Anlegen neuer Service-Endpunkte

Entsprechend des in 3.1 auf Seite 74 beschriebenen prototypzentrischen Ansatzes für

Kadmos wird ein sehr flexibles System für die Erstellung und Änderung von Schnittstellen

zur Nutzung der Backend-Funktionalitäten benötigt. Es existiert nur eine begrenzte Zahl

fest vordefinierter API-Endpunkte. Anpassungen und Neuentwicklungen an den Services

sind übliche Arbeitsschritte in der Verwendung der Software in konkreten Projektkon-

texten. Sie sollten ohne Neustarts und Wartezeiten im laufenden Betrieb durchgeführt

werden können. Ruby als interpretierte Sprache bietet ideale Voraussetzungen für einen

solchen Arbeitsmodus.

Die API-Endpunkte werden über Ruby-Quelltextdateien im Ordner

controllers

definiert.

Der Dateinamenpräfix

api_

unterscheidet sie von regulären

Controller

-Dateien, die API-

unabhängige Funktionen der Webapplikation verwalten. Im Folgenden wird demonstriert,

wie einfach eine zusätzliche Schnittstelle zu Kadmos hinzugefügt werden kann. Als kom-

pakter Beispiel-Anwendungsfall wird hier der Export von lokalen Umgebungen für meh-

rere normalisierte Token als Datei in einem Graphen-Austauschformat vorgestellt. Eine

solche Datei kann z. B. für die Weiterverarbeitung in externen Graphanalyse-Werkzeugen

wie Gephi verwendet werden.

Nach dem Anlegen einer neuen Datei

controllers/api_neighborhoods.rb

ist es mög-

lich, den darin enthaltenen Programmcode mit einem API-Aufruf unter der Adresse

http://localhost/api/neighborhoods

ausführen zu lassen. Soll nicht das Hauptkorpus

verwendet werden, kann die Abfrage um die Parameterangabe

?corpus=Datenbankname

erweitert werden. Das entsprechende mit Pacer abfragbare Korpus-Objekt steht im Quell-

text der API-Datei dann unter dem Variablennamen

@corpus

zur Verfügung. Für die

Ausgabe von Werten stehen mehrere Varianten zur Verfügung. Während die Methode

out.data

beliebige Zeichenketten in den Ausgabestrom schreibt, sendet

out.object

eine

JSON-kodierte Repräsentation ihres Aufruf-Arguments an den Client.

Quelltext 3.4 auf der nächsten Seite zeigt eine mögliche Implementierung der im oben

beschriebenen Beispiel gewünschten Funktionalität: Die gewünschten kommaseparierten

Wörter werden aus dem Parameter-Objekt ausgelesen, welches in Sinatra einen Zugriff

sowohl auf Parameter in der URL als auch auf im HTTP-Request-Body mitgesendete

122

Kapitel 3 Kadmos – ein graphbasiertes Recherchesystem

„Post“-Parameter zulässt. Diese Wörter werden anschließend in einer gemeinsamen

Index-Abfrage

zum Auffinden entsprechender Ausgangsknoten verwendet. Von diesen

aus werden nun (über

normalization

-Kanten) Types aufgesucht. Anschließend wird von

dort aus zu den einzelnen Token traversiert (über

type_token

-Kanten), um danach noch

zu deren Nachbartoken zu springen (über

-Kanten in beide Richtungen). Die für all

diese Traversierungsoperationen angesprungenen Elemente des Graphen werden dann

als Subgraph interpretiert, welcher in serialisierter Form versendet wird.

1 # -

- encoding : utf-8 -

2 words = params[:words].split(",")

3 type_nodes = @corpus.v_lookup(:string_value, words).in_e(:normalization).out_v

4 token_nodes = type_nodes.out_e(:type_token)

5 neighbor_traversal = token_nodes.in_v.branch{|r|r.in_e(:next).out_v}.branch{|r|

& r.out_e(:next).in_v}.merge

6 out.data neighbor_traversal.subgraph.export

Quelltext 3.4: Anlegen einer neuen API-Definition

Die Nutzung dieser Subgraph-Funktionalität ist auch der Grund, warum die Traversie-

rungsvorschriften so detailliert beschrieben werden müssen und z. B. explizit Kanten

über

in_e

und

out_e

angesteuert werden. Die Route in Zeile 5 könnte in normalen Abfra-

gen auch einfach als

token_nodes.both(:next)

geschrieben werden. Im Beispiel oben

würden dann allerdings die Kanten nicht mitexportiert werden (was durchaus in einigen

Anwendungsfällen gewünschte Funktionalität sein kann).

Abbildung 3.17 auf der nächsten Seite zeigt eine Visualisierung des Resultats eines API-

Aufrufs mit den übergebenen Wörtern

david

und

copperfield

auf der Grundlage des

Copperfield-Korpus. Es zeigt sich bereits durch oberflächliche Größenvergleiche in

der Grafik, wie sich die quantitative Verteilung der nicht normalisierten Types im Text

ergibt. Die Zeichenkette

Copperfield,’

kommt deutlich häufiger als Token im Text

vor, als das reine

Copperfield

, was auf eine erzählende Schreibweise mit vielen ein-

geschobenen wörtlichen Reden hindeutet. Der Vorname kommt deutlich seltener vor

als der Nachname und auch die Kombination beider Terme hintereinander (sichtbar

durch entsprechende Verknüpfungen im Graphen) ist selten. Das spricht ebenfalls für

die hauptsächliche Wiedergabe von wörtlicher Rede (da dort häufiger Anreden, wie „Mr.

Copperfield“ vorkommen). Für detailliertere Interpretationsansätze müssten die ein-

Diese Anfrageart ist nicht standardmäßig in Pacer enthalten, wurde aber innerhalb von Kadmos

hinzugefügt.

123

3.10 Erweiterungsmöglichkeiten

zelnen Kontexte noch durch das Hinzufügen weiterer Daten oder die Interaktion mit

zusätzlichen API-Endpunkten um weitere Explorationsmöglichkeiten ergänzt werden.

Copperfield!Copperfield!

Copperfield,'Copperfield,'

'Copperfield!'Copperfield!

David.David.

'Copperfield,''Copperfield,'

'Copperfield','Copperfield',

'David':'David':

Copperfield),Copperfield),

copperfieldcopperfield

Copperfield!'Copperfield!'

David?'David?'

'Copperfield,'Copperfield,

COPPERFIELD,COPPERFIELD,

CopperfieldCopperfield

DAVIDDAVID

'Copperfield!''Copperfield!'

daviddavid

David,'David,'

David,David,

Copperfield?'Copperfield?'

Copperfield)Copperfield)

'David,''David,'

Copperfield",'Copperfield",'

Copperfield',Copperfield',

Copperfield.Copperfield.

David;David;

Copperfield?Copperfield?

Copperfield--'Copperfield--'

DavidDavid

David!'David!'

COPPERFIELDCOPPERFIELD

Copperfield,Copperfield,

'David'David

Copperfield;Copperfield;

Copperfield.'Copperfield.'

Abbildung 3.17:

Visualisierung der API-Antwort für direkte Wortumgebungen der

normalisierten Types „david“ und „copperfield“ entsprechend der neu angelegten

Schnittstelle für das Copperfield-Korpus

Wenn eine solche zusammengehörende Gruppe von Service-Endpunkten entwickelt wird,

bietet sich die Bündelung innerhalb einer größeren Einheit an, die gegebenenfalls auch

Quelldateien für browserbasierte Nutzungsoberflächen enthält. Für solche Einsatzzwecke

und den einfachen Austausch so gebündelter Funktionalitäten wurde in Kadmos die

Möglichkeit zur Erstellung und Verwendung von Plugins integriert.

124

Kapitel 3 Kadmos – ein graphbasiertes Recherchesystem

3.10.2 Gekapselte Erweiterung mit dem Plugin-System

Plugins sind nachladbare Programmteile, die zur Ausführung auf das Stammprogramm

angewiesen sind und die dessen Funktionalität nutzen und erweitern können. Das hier

vorgestellte Plugin-System ist dabei stark von der flexiblen Plugin-Architektur in Elastic-

search inspiriert.

In Kadmos erhalten Plugins Vollzugriff auf alle Objekte und Funktionen der Software

- sie können also auch beliebige Daten der Datenbank lesen und schreiben. Damit ein

breites Spektrum an Funktionen über Plugins realisiert werden kann, müssen sie zudem

Vollzugriff auf die Laufzeitumgebung (und damit auf Funktionen des Betriebssystems)

erhalten. In Linux-Umgebungen sollte dabei unbedingt eine Begrenzung des dadurch

ermöglichten Schadenpotentials über Nutzer(gruppen)-Zugriffsrechte erfolgen. Für In-

stallationen mit kleinem Datenumfang bietet sich grundsätzlich die Ausführung in einem

virtualisierten System (isolierte Ausführung als „Gast“) an. In jedem Fall ist bei der Ein-

bindung von Plugins Vorsicht geboten. Sie sollten (wie im Grunde jede Software) nur

von vertrauenswürdigen Quellen bezogen und vor der Installation auf Integrität geprüft

werden. Für die Installation von Plugins besteht noch kein automatisiertes System. In ein

solches könnten Mechanismen zur elektronischen Signatur von Plugin-Versionen einge-

baut werden. Einen letztendlichen Schutz vor Kompromittierung (oder ganz allgemein

Fehlfunktionen) kann aber auch ein solcher Mechanismus nicht bieten.

Auch wenn bei der Nutzung von Kadmos-Plugins Sicherheitsbedenken hinsichtlich der

Ausführung beliebigen Ruby- bzw. Java-Codes berücksichtigt werden müssen, so stellt

diese Offenheit jedoch die einfachste und flexibelste Variante dar, um eine Plugin-Ent-

wicklung und -Nutzung mit kurzen Release-Zyklen zu ermöglichen. Die Auslieferung

erfolgt grundsätzlich im Quelltext, so dass die genaue Funktionsweise des Plugins daher

jederzeit eingesehen werden kann. Allerdings besteht auch die Möglichkeit zum Hin-

zufügen ausführbarer Dateien, Java-Archiven oder anderer Programmbibliotheken. Im

Zweifelsfall sollte also auf die Einbindung externer Plugins, Programme und Programm-

teile verzichtet werden – so, wie auch bei Webbrowser-Plugins, Smartphone-Apps usw.

vorgegangen werden sollte, wenn sie Berechtigungen verlangen, die man ihnen nicht

zugestehen möchte.

Alle Kadmos-Plugins werden in einem jeweils eigenen Unterverzeichnis des Ordners

./plugins/

abgelegt. Dadurch ist es möglich, ihre Entwicklung direkt im laufenden

System unter Nutzung eines eigenen isolierten Quelltext-Repositoriums bzw. Versions-

125

3.10 Erweiterungsmöglichkeiten

kontrollsystems durchzuführen. Plugins können – durch eine Art

Namespace

-Konzept von

den regulären Endpunkten abgekapselt – eigene API-Endpunkte erstellen. Daneben kön-

nen HTML-Oberflächen für die interaktive Ansteuerung des Plugins im Browser gestaltet

werden.

Im Folgenden wird kurz dargelegt, wie eine externe Softwarekomponente in Form eines

Plugins prinzipiell in Kadmos integriert werden kann. Die gewählte Beispiel-Komponente

ist der Mate Tagger,

wie in [

BN12

] beschrieben. Es handelt sich dabei um einen POS-

Tagger (und Dependenzparser), der durch hinzuladbare „Modelldateien“ für die Ver-

arbeitung verschiedener Sprachen eingesetzt werden kann. Es soll damit auch gezeigt

werden, dass Ergebnisse von Text- und Sprachanalysen nicht nur einmalig beim Einlesen

der Texte physisch in der Datenbankstruktur persistiert, sondern auch

on-the-fly

zur

Abfragezeit berechnet werden können. Da zur Ermittlung des POS-Tags eines einzelnen

Worts üblicherweise längere Sequenzen benötigt werden – meist der ganze Satz – ergeben

sich zwar entsprechende Mehraufwände für die Abfrage, auf eine Vorberechnung des

Tags kann jedoch dank der flexiblen Datenhaltung auch hier verzichtet werden.

Im Sinne einer schnellen prototypischen Integration ist es meist nicht sinnvoll, even-

tuell anfallende Anpassungen der Komponente in ihrem Quelltext vorzunehmen. Dies

würde bei jeder Änderung zu neuen Kompilierungs- und Integrationsaufwänden (incl.

Neustart des Kadmos-Systems) führen. Eine leichtgewichtigere Form der Integration von

Drittanbieter-Software lässt sich z. B. über das Ausführen von Kommandozeilenbefehlen

in JRuby als Subprozess realisieren. Die Kommunikation mit diesen lässt sich über den

programmatischen Zugriff auf die Standard-Datenströme

stdin

stdout

und

stderr

, über

Sockets oder über (temporäre) Dateien bewerkstelligen. Nachteilig sind dabei die ggf.

großen Aufwände für das Erzeugen und Initialisieren des neuen Prozesses.

Der Mate Tagger ist ein Java-Programm, für dessen Start eine komplette Java-Laufzeitum-

gebung initialisiert werden muss. Entsprechende Verzögerungen im Sekundenbereich

sind beim oft wiederholten wahlfreien Taggen kurzer Sequenzen nicht hinnehmbar.

Durch die Verwendung von JRuby ist es jedoch möglich, die binäre Distribution des Tag-

gers als

Java Archive

direkt einzubinden und in der selben Laufzeitumgebung, in der auch

Kadmos ausgeführt wird, laufen zu lassen. Der direkte Zugriff auf die Programmfunktio-

nen ermöglicht dann eine erweiterte Nutzung, etwa eine parallele Ausführung mehrerer

Tagging-Vorgänge. Anpassungen lassen sich leicht durch Vererbungsmechanismen und

alternative Methodenaufrufe der beteiligten Java-Klassen umsetzen, soweit das im Ori-

http://code.google.com/p/mate-tools/

126

Kapitel 3 Kadmos – ein graphbasiertes Recherchesystem

ginalquelltext vorgesehen ist. Im Fall des Mate Taggers muss die Haupt-Funktion des

Tagging-Aufrufs durch den sequenziellen Aufruf einzelner Teilschritte nachimplemen-

tiert werden, was allerdings nur wenige Zeilen Programmcode erfordert. Der Grund für

den Anpassungsaufwand ist, dass die Methoden auf ein dateibasiertes Laden von Daten

ausgerichtet sind, was für die Anwendung aus Performancegründen durch das Laden aus

einer Stringrepräsentation im Hauptspeicher ersetzt werden sollte.

Der folgende kurze Quelltextausschnitt demonstriert, wie über Mechanismen der in JRuby

leicht zugänglichen Java-

Reflection

dabei auch auf solche Programmelemente (z. B. Felder

und Methoden) zugegriffen werden kann, die eigentlich nicht für eine Nachnutzung

vorgesehen sind:

50 static_cend = ExtractorT2.java_class.declared_fields.find{|f|f.name=="_CEND"}

51 static_cend.accessible = true

52 instances_tagger.fill_chars instance, 0, static_cend.static_value.to_s.to_i

53 tag = java_class.declared_method :tag, InstancesTagger, SentenceData09

54 tag.accessible = true

55 tag.invoke self, instances_tagger, instance

Quelltext 3.5: Ausschnitt aus der Tagger-Wrapperklasse

Hier wird der Zugriff auf zwei zur Ausführung benötigte Elemente bestehender Klassen

durch das Setzen der Eigenschaft „

accessible = true

“ auf den per

Reflection

erlangten

Repräsentanten ermöglicht. Dieser Umweg ist erforderlich, da die Elemente in ihren Klas-

sen im Java-Quelltext durch die Ausdrücke „

static int _CEND

“ und „

private void tag

“

deklariert wurden (und damit nicht „

public

“ sind). Die in Kadmos verwendete Tech-

nologie erlaubt auf diese Weise die flexible Nutzung der Funktionen von kompilierten

Java-Programmen, selbst in Fällen, in denen eine Nutzung als Programmbibliothek nie

vorgesehen war.

Der so integrierte Mate Tagger lässt sich nun nach Belieben mit Textabschnitten aus der

Datenbank speisen. Er liest dabei Sätze tokenweise ein und gibt anschließend für alle

Positionen eine Reihe von Analyseergebnissen aus. Hier wird der Begriff „Token“ im Sinne

der Segmentierung des POS-Taggers genutzt. Das bedeutet, dass Interpunktionszeichen

(und Sequenzen davon) für ein korrektes Tagging als ein eigenständiges Token behandelt

werden müssen. Durch die Speicherung aller Sonderzeichen in korrekter Sequenz inner-

halb unnormalisierter Types kann in Kadmos der dafür nötige Strom von „

Tagger-Tokens

“

effizient erzeugt werden.

es sei denn, es wurden aktiv Maßnahmen ergriffen, um dies zu verhindern, etwa durch Code Obfuscation

127

3.10 Erweiterungsmöglichkeiten

Die Analyseergebnisse beinhalten Informationen zu Wortart, Numerus, Genus, Tem-

pus und weiteren grammatikalischen Kategorien. Die Ergebnisse werden in eine JSON-

Repräsentation übertragen, wobei nur werttragende Eigenschaften berücksichtigt wer-

den, so dass die Beschreibung kompakt ist. Für ein Satzzeichen ergibt sich so z. B. der

Wert

{pos:"u"}

, da eine weitere Unterscheidung, etwa in Singular oder Plural bei Inter-

punktion nicht sinnvoll ist. Die Sammlung von so analysierten Token wird an den Client

gesendet, wo eine Visualisierung stattfinden kann.

Das im Folgenden genutzte Modell für das POS-Tagging von altgriechischem Text wurde

von Celano und Kollegen entwickelt, s. [

CCM16

], und dem Autor freundlicherweise bereits

vorab für diese Arbeit zur Verfügung gestellt. In Abbildung 3.18 wird für die Suche

nach „

Κάδµου

“ im TLG-Korpus gezeigt, welche Rückgabe den Browser erreicht und

welche visuelle Aufbereitung mit entsprechend formatierten HTML-Elementen darauf

aufbauend möglich ist. Die Beispielstelle entstammt dem Buch 4 von Diodors „

Bibliotheca

Historica“

Abbildung 3.18: Übertragung intermediärer POS-Annotationen im JSON-Format

(oben, Auszug) und Ausgabe nach Übertragung der Grammatikinformationen zu

CSS-Regeln (unten)

Der Mate Tagger erzeugt (ein entsprechend trainiertes Modell vorausgesetzt) auch ein

Netzwerk von grammatikalischen und inhaltlichen Abhängigkeiten, einen so genann-

ten Dependenzgraphen. Für dessen Visualisierung kann z. B. die entsprechende Client-

Komponente der Annotationssoftware brat

oder eine auf Baumstrukturen ausgelegte

Die Belegstelle kann außerhalb des TLG-Korpus in freier digitaler Edition z. B. hier gefunden werden:

http://www.perseus.tufts.edu/hopper/text?doc=Perseus:text:2008.01.0540:4:66:3

http://brat.nlplab.org/

128

Kapitel 3 Kadmos – ein graphbasiertes Recherchesystem

Visualisierungsmethode nachgenutzt werden. Daneben bietet sich ggf. auch eine generi-

sche – z. B. kräftebasierte – Visualisierung des Graphen an.

Mit diesem Beispiel wurde gezeigt, wie die Einbindung von Fremdkomponenten zur

Textanalyse in Kadmos problemlos und effizient möglich ist. Daneben existieren natür-

lich viele weitere Möglichkeiten zur Erweiterung des Systems. Ein Plugin zum direkten

Bearbeiten von API-Endpunkten im Browser über die Client-Bibliothek CodeMirror

ist derzeit in Entwicklung – doch es können nicht nur neue Oberflächen und Funktio-

nen für menschliche Nutzer erstellt, sondern auch alternative Webservices über Plugins

realisiert werden. Die Möglichkeit zur Nutzung beliebigen Ruby-Codes erlaubt es z. B.,

die XML-basierte Schnittstellenbeschreibung und -kommunikation entsprechend einer

SOAP-basierten Webservicearchitektur mit WSDL-Schicht mit vergleichsweise geringem

Aufwand umzusetzen. Es wurden zudem bereits erste Experimente zur Implementierung

einer OAI-PMH-Schnittstelle für bessere Auffindbarkeit der gespeicherten Korpora (bei

vollständiger Interoperabilität mit bestehenden Systemen) durchgeführt.

Über das Plugin-System ist es darüber hinaus prinzipiell auch möglich, eine native gra-

phische Benutzeroberfläche zu erzeugen. Dazu können über JRuby beliebige „

Window

Toolkits

“, beispielsweise das in Java bereits enthaltene

Swing

, angesteuert werden. Damit

bietet sich über die Plugin-Schnittstelle eine Alternative zum webbrowsergestützten

Zugriff auf die Funktionalität von Kadmos. Eine solche Erweiterung erlaubt zum Beispiel

die Verwendung von Visualisierungs-Bibliotheken, die ausschließlich für den Einsatz in

Java-Desktop-Umgebungen geschrieben wurden.

Nachdem nun die verschiedenen Voraussetzungen für eine flexible Erweiterung vorge-

stellt wurden, kann nachfolgend untersucht werden, wie sich die entwickelte Technologie

zur Bearbeitung breiterer Fragestellungen in den e-Humanities nutzen lässt. Im nächsten

Kapitel werden dafür zunächst allgemeine Überlegungen zur Nutzung von Kernkom-

ponenten zur Erstellung neuer Systeme vorgenommen, um anschließend praktische

Beispiele vorzustellen.

http://codemirror.net/

129

Kapitel 4

Modellerweiterungen und komplexere

Anwendungsfälle

Models containing more information

are always more powerful

than those containing less [...]

Wayne W. Zachary

US-Amerikanischer Anthropologe und Informatiker

aus dem Artikel

„An Information Flow Model for Conflict and Fission in Small Groups“, [

Zac77

]

130

Kapitel 4 Modellerweiterungen und komplexere Anwendungsfälle

4.1 Erweiterbarkeit und Konstruktive Voraussicht

Die zentrale Grundanforderung an die in dieser Arbeit entwickelte Technologie wurde

bereits in Abschnitt 2.5 auf Seite 69 herausgearbeitet: Das erstellte System muss genügend

Flexibilität für eine Nutzung in erweiterten, angrenzenden oder auch komplett neuen

Verwendungskontexten aufweisen. Bis hierhin wurden für den Umgang mit Textdaten

bereits drei Merkmale des Systems vorgestellt, die auf diese Flexibilitätsanforderung

ausgerichtet sind:

○

Ein offenes, jederzeit änderbares Datenmodell, das auf einer stetig populärer wer-

denden Technologie aufsetzt,

○

Basiskomponenten für den Betrieb einer plattformunabhängig lauffähigen, robus-

ten und skalierbaren Anwendung für verteilte Zugriffe auf Forschungskorpora

und

○

eine Vielzahl von Entwicklungsmöglichkeiten für extrem kurze Iterationen bei

der funktionalen Erweiterung über Echtzeit-Änderungen an den bereitgestellten

API-Funktionen bei voller Unterstützung des kompletten Ökosystems von Java-

Bibliotheken und (JRuby-kompatiblen) Gems.

Es wurde gezeigt, dass damit übliche Aufgabenstellungen im Umfeld des Text Mining und

der explorativen Recherche von Textdaten aus einem neuen Blickwinkel betrachtet und

innerhalb geänderter Rahmenbedingungen mit neuen oder angepassten Verfahren bear-

beitet werden können. In diesem Kapitel wird die Nutzbarkeit des Systems in erweiterten

Anwendungsszenarien auf den Prüfstand gestellt.

Bevor die einzelnen Anwendungsfälle beschrieben werden, soll hier noch kurz der Nutzen

eines weitgehend generischen, auf Erweiterbarkeit ausgelegten (und damit für die kon-

krete erweiterte Anwendung potentiell „unfertigen“) Systems motiviert werden: Warum

lohnt es sich, angesichts in jedem Fall nötiger Entwicklungsaufwände in konkreten An-

wendungsprojekten, auf ein solches Basissystem zurückzugreifen?

Für die Beantwortung dieser Frage bietet sich eine Betrachtung aus ingenieurtechnischer

Sicht an. In der Konstruktionslehre ist die Unterscheidung von Entwicklungsvorgän-

gen nach so genannten Konstruktionsarten (types of design) ein bereits lange etabliertes

Konzept, vgl. [PB86].

131

4.1 Erweiterbarkeit und Konstruktive Voraussicht

Es wird dort unterschieden in:

○

Neukonstruktion, die Erarbeitung eines neuen Lösungsprinzips für bekannte oder

neue Problemstellungen,

○

Anpassungskonstruktion, das Weiterverwenden eines bestehenden Systems unter

Abänderung vorhandener Komponenten und eventueller Neukonstruktion von

Teilkomponenten und

○

Variantenkonstruktion, das Variieren genau spezifizierbarer Parameter eines „vor-

gedachten“ Systems unter Beibehaltung von Funktion und Lösungsprinzip

Es ist leicht ersichtlich, dass Neukonstruktionen so oft es geht vermieden werden sollten.

Sie bringen die größten Aufwände und Projektrisiken mit sich und profitieren zudem

nicht von den in bewährten Lösungsprinzipien enthaltenen vorausgehenden Erfahrungen

und best practices.

Die Variantenkonstruktionen erscheinen aus dieser Sichtweise am erstrebenswertesten,

da sie den geringsten Aufwand erfordern und die schnellste Einsatzmöglichkeit für ein

neues so erstelltes Werkzeug versprechen. Jedoch hat die Betrachtung des Forschungskon-

texts der e-Humanities gezeigt, dass die Erstellung allumfassender generischer Werkzeuge

weder möglich, noch (im Sinne eines unvoreingenommenen, offenen Forschungsprozes-

ses) in jedem Falle gewünscht ist.

Die oben beschriebenen Flexibilitätsmerkmale von Kadmos positionieren das System

in das Kontinuum zwischen Varianten- und Anpassungskonstruktion: Für einfache, oft

wiederkehrende Arbeitsschritte ist es problemlos möglich, das Basissystem in einer ge-

eigneten Konfiguration (Variante) ohne zusätzliche Entwicklungsaufwände mit neuen

Quellensammlungen und Nutzeroberflächen zu betreiben und dabei die zur Verfügung

gestellte Basisfunktionalität zu nutzen. Für Aufgaben, die sich von Beginn an komplexer

darstellen, oder für die bei der Variation des Basissystems erkannt wird, das zusätzli-

che Anforderungen bestehen, hält Kadmos alle benötigten Erweiterungsmöglichkeiten

bereit. Die bereits beschriebene Schaffung der entsprechenden technischen Möglich-

keiten entspricht der – unter der Bezeichnung „Konstruktive Voraussicht“ geführten

–perspektivisch geplanten Erweiterbarkeit von Systemen.

Das gewünschte Vorgehensmodell einer inkrementellen prototypischen Entwicklung

kann damit von Projektbeginn an umgesetzt werden. Es kommt zu keinem „Leerlauf“

132

Kapitel 4 Modellerweiterungen und komplexere Anwendungsfälle

auf fachwissenschaftlicher Seite während der Entwicklung einer ersten lauffähigen Ver-

sion des Recherchewerkzeugs und gleichzeitig zu keinem „Vorlauf“ der Technologie-

entwicklung, während welchem sich gegebenenfalls vorhandene Missverständnisse von

Entwicklungsziel und Analyseaufgaben längerfristig im Kern des erstellten Werkzeug

manifestieren können.

Der Vorteil eines einfachen aber flexiblen Basissystems ist, dass es Einschränkung durch

zu scharf abgegrenzte Vorgaben hinsichtlich Schema und Abfragemodi mit sich bringt.

Gleichzeitig hilft das einfache Datenmodell, einen zu hohen initialen Abstraktionsgrad zu

vermeiden, welcher einen zu starken Formalisierungsgrad der abzubildenden Arbeiten

voraussetzen würde. Vor solchen Tendenzen wurde bereits in [SM99] gewarnt:

[...] creators of systems that support intellectual work like design, writing, or orga-

nizing and interpreting information are particularly at risk of expecting too great a

level of formality from their users.

Das richtige Maß sollte sich folglich während der Projektarbeit durch sukzessive Steige-

rung des Formalisierungsgrades (und damit Erweiterung und Spezialisierung des Daten-

modells und der Programmfunktionalität) ergeben – angefangen bei der Variierung des

Systems hin zur Erweiterung, sofern sie tatsächlich benötigt wird.

Weil die einzelnen Projektanforderungen grundsätzlich variabel sind, ist es in diesem Rah-

men schwer, pauschal den Nachweis zu erbringen, dass die getroffene Technologiewahl,

das Systemdesign und das avisierte prototypzentrische Vorgehensmodell zweckmäßig

sind. Die exemplarische Demonstration einer Bandbreite von abdeckbaren Themen und

Methoden ermöglicht es jedoch zu untersuchen, ob es bei der Bearbeitung konkreter Fra-

gestellung hilfreich eingesetzt werden kann, und dabei den in Abschnitt 3.1 auf Seite 74

vorgestellten unterschiedlichen Prototypen-Begriffen gerecht wird.

In den folgenden Abschnitten werden Beispiele aus dem Forschungsalltag vorgestellt, für

die Lösungen innerhalb des im vorangehenden Kapitel eingeführten Modellierungspara-

digmas und unter Verwendung der bis hierhin vorgestellten Basistechnologien umgesetzt

wurden. Mit den präsentierten Lösungen wird kein Anspruch auf eine optimale Behand-

lung der Problemstellung erhoben. Weder stand ein solcher Anspruch in der Konzeptions-

phase im Vordergrund, noch waren entsprechende Evaluierungen und Optimierungen

zeitlich und inhaltlich möglich. Wichtigstes Ziel dieses Kapitels ist die Demonstration der

133

4.2 Entitäten-Netzwerke

Erweiterungsmöglichkeiten des Kadmos-Systems und der Flexibilität der zugrundelie-

genden Technologien.

In der Tat zeigt sich aber, dass die Nutzung von Graphdatenbanken für den Großteil

der betrachteten Problemstellungen kein „unnatürlich“ wirkender Kunstgriff, sondern

eine durchaus passende Form der Abbildung und ein geeigneter Modus des Zugriffs für

die Daten der jeweiligen Anwendungsdomäne ist. Die Analyse lokaler Kontexte ist ein

zentraler Ankerpunkt vieler Untersuchungen in den Sozial- und Geisteswissenschaften.

Die direkte Verfügbarkeit solcher Kontexte in der Graphenrepräsentation fördert einen

informierten, agilen und zu den Daten kohärenten Forschungsprozess.

Im Folgenden wird u. a. gezeigt, wie damit die Vorbereitung von Netzwerkanalyse, die in-

haltliche Alignierung von mehrsprachigen Texten, die Analyse verschiedener Ebenen von

Sequenzen und Strukturierung, die Erstellung von Beschleunigungsstrukturen und dar-

über hinaus auch eine Unterstützung des Kommunikationsprozesses in interdisziplinären

Projekten möglich ist.

4.2 Entitäten-Netzwerke

4.2.1 Navigationsunterstützung und Netzwerkanalyse

Der Inhalt von Texten erschließt sich meist nicht nur durch die darin beschriebenen ab-

strakten Konzepte, sondern insbesondere auch über die darin vorkommenden konkreten

(realen wie fiktionalen) Dinge, Personen, Institutionen usw. – kurz: Entitäten. Besitzen

diese Entitäten einen Namen und ist dieser auch außerhalb des Textes bekannt und für

eine (mehr oder weniger) eindeutig identifizierbare Entität gebräuchlich, so kann dieser

Name auf lexikalischer Ebene als Ankerpunkt für externes Wissen gelten, welches bei der

Interpretation des Textes nützlich und teils sogar unverzichtbar ist.

Daher ist bei der Verarbeitung großer Textkollektionen die automatische Eigennamener-

kennung ein zentrales Werkzeug zur Herstellung von Verknüpfungen zu Wissensbasen.

Die unter der Bezeichnung Named Entity Recognition (NER) bekannten Verfahren stützen

sich u. a. auf Wortlisten und Enzyklopädien, Regelbeschreibungen zu häufigen Mustern

von Wörtern und bekannten Phrasen im Umfeld von Entitätennamen sowie auf linguisti-

sche Annotationen und Satzparsing.

134

Kapitel 4 Modellerweiterungen und komplexere Anwendungsfälle

Die meisten Verfahren sind dabei nicht nur in der Lage, benannte Identitäten im Text

zu finden, sondern können zusätzlich auch den entsprechenden Entitätentyp angeben

(

Named Entity Classification

). Die Granularität der Klassifizierung ist bei dieser Aufgabe oft

nicht genau spezifiziert: Die Zeichenkette „

Universität Leipzig

“ kann z. B. als Organi-

sation, Institution, Bildungseinrichtung oder Universität beschrieben werden. Hier zeigt

sich eine große Nähe zur hierarchischen Modellierung der Klassen von Aussagegegen-

ständen in Ontologien. Meist beschränken sich NER-Verfahren hierbei auf wenige und

sehr allgemeine Basistypen, wodurch das Klassifizierungsproblem vereinfacht wird und

wodurch gleichzeitig pro Klasse Beispiele für statistische Musteranalysen zur Verfügung

stehen.

Benennung von Identitäten sollte hier nicht mit Identifizierung verwechselt werden, da

die Namen selten eindeutig sind. Die Identität von Entitäten wird durch deren Benennung

im Kommunikationskontext zwar angedeutet, ist aber dadurch nicht zwangsläufig auf ei-

ne universelle Wissensbasis abbildbar. Bei mündlicher Kommunikation wird die Identität

der Gesprächsgegenstände ggf. durch Nachfragen „ausgehandelt“, wohingegen in der

schriftlichen Kommunikation oft versucht wird, genügend Beschreibungen und Zusatzin-

formationen zur Erleichterung einer Identifizierung mit anzugeben. Dabei werden jedoch

meist Vermutungen über das Wissen des Kommunikationspartners (bei Publikationen die

der Mehrheit der Leserschaft) zugrunde gelegt, die bei der Analyse nur schwer greifbar

sind. Daher existieren immer Mehrdeutigkeiten (sogenannte Ambiguitäten), für deren

konkrete Identifizierung eine ausführliche Kontextanalyse der Benennungen notwen-

dig ist – die sogenannte Disambiguierung. Ist die Identität hinreichend geklärt, besteht

die Problematik, diese eindeutig kommunizieren zu können (also ohne Benennung und

Kontexte dabei explizit mit angeben zu müssen). Für diese Aufgabe bietet sich z. B. die

im Semantic Web zur Referenzierung von Ressourcen etablierte Nutzung von URIs an.

Auch andere Nummerierungsschemata, wie sie z. B. Normdatenprovider verwenden, sind

geeignet, um die Identität unter Angabe von Nummerierungssystem und Nummer zu

gewährleisten.

An dieser Stelle kann nicht näher auf die Grundlagen oder einzelnen technischen Details

von NER-Verfahren eingegangen werden. Stattdessen soll aber anhand konkreter Anwen-

dungsfälle gezeigt werden, wie die Ergebnisse der Eigennamenextraktion im Kontext

einer Graphenrepräsentation von Texten gewinnbringend genutzt werden können.

Zunächst sollen Eigennamen dabei als alternative Zugangsform zu Dokumentsammlun-

gen betrachtet werden. Diese Sichtweise ist in Form von Registern durchaus bereits in

135

4.2 Entitäten-Netzwerke

traditionellen Medien realisiert. Diese bilden eine Navigationshilfe für konkrete Recher-

chen zu Entitäten und schaffen eine einfache Form von Hypertextualität: Trifft der Leser

in langen Dokumenten auf den Namen einer interessanten Entität, kann er über das Re-

gister zu weiteren Textstellen springen (meist sehr grobgranular über Seitenangaben), in

welchen die Entität ebenfalls Erwähnung findet. Im Folgenden soll die semi-automatische

Erstellung eines Personenregisters mit Hilfe von NER-Verfahren vorgestellt werden.

Im konkreten Fallbeispiel werden automatische Verfahren zur inhaltlichen Erschließung

des Rektoren-Korpus eingesetzt. Dieses Korpus wurde vom Leipziger Universitätsarchiv

zur Verfügung gestellt. Es enthält 125 Reden Leipziger Universitätsrektoren. Lange Zeit

war es üblich, zum jährlich stattfindenden Rektoratswechsel eine feierliche Zeremonie ab-

zuhalten, im Rahmen derer der scheidende Rektor eine Rede in Form eines Jahresberichts

hält und der neugewählte Rektor in seiner Antrittsrede allgemeine wissenschaftliche

Impulse gibt – meist im Bezug auf sein eigenes Fachgebiet. Die Rektoratsreden wurden

ab 1871 in gedruckter Form veröffentlicht.

Anlässlich des 600-jährigen Universitätsjubiläums wurden die Rektoratsreden von 1871

bis 1933

in einem gemeinsamen Band neu veröffentlicht, s. [

Häu09

]. Der Veröffentli-

chung ist eine Digitalisierung der alten Druckfassungen vorausgegangen. Insgesamt

wurden 2340 Seiten gescannt und händisch oder mittels OCR in maschinenlesbaren Text

umgewandelt

. In manueller Nacharbeit wurden in den Texten Druckfehler, Übertra-

gungsfehler und Fehler des OCR-Verfahrens behoben. Sonst wurde jedoch die damalige

Rechtschreibung (und Grammatik) des Originals übernommen. Weitere Details sind in

[EBH15] beschrieben.

Für die Umsetzung der Eigennamenerkennung existieren zahlreiche NLP-Frameworks.

Die Entscheidung für die General Architecture for Text Engineering (GATE) ist hier prak-

tischen Erwägungen geschuldet. In [

BS12

] wird die Unstructured Information Manage-

ment Architecture (UIMA) als vielversprechende und flexible Architektur beschrieben,

jedoch auch angemerkt, dass die Vielzahl nachnutzbarer Ressourcen ein Vorteil von

GATE sind. Die im Gegenzug als Stärke von UIMA hervorgehobene Workflow-Steuerung

in UIMA, welche die Beschreibungssprache BPEL nutzt, wird im Kontext der Arbeiten am

Rektoren-Korpus hingegen nicht benötigt. Die Einbindung der GATE-Funktionalität

und damit die Steuerung der Abläufe erfolgt direkt via JRuby.

Die nach 1933 zum Rektoratswechsel gehaltenen Reden wurden nicht mehr von gewählten, sondern

von eingesetzten Rektoren gehalten und sind nicht für den Abdruck in unkommentierter Edition

geeignet.

Für in Fraktur gesetzte Dokumente waren zu dieser Zeit noch keine geeigneten OCR-Verfahren verfügbar.

136

Kapitel 4 Modellerweiterungen und komplexere Anwendungsfälle

Das Komponentensystem von GATE namens „a Collection of REusable Objects for Langua-

ge Engineering (CREOLE) “ stellt mit A Nearly-New Information Extraction System (ANNIE)

ein etabliertes Standardverfahren für die NER mit Wortlisten und Regeln dar. Alternativ

oder zusätzlich dazu sind auch graphbasierte Verfahren denkbar (und in die vorgestellte

Technologie grundsätzlich gut integrierbar), beispielsweise der „Pendel-Algorithmus“ aus

[

Bie03

]. Im Fall der Rektoratsreden kann auf eine umfangreiche Ressource kontemporärer

Vor- und Nachnamen aus dem digitalisierten Bestand des Universitätsarchivs zurückge-

griffen werden. Zudem wurde eine Liste von abgekürzten Vornamen, wie „Ludw.“, „Joh.“

oder „Wilh.“, angelegt, wie sie damals üblich waren.

In ANNIE werden musterbasierte Regeln in so genannte

Transducer

umgewandelt, wel-

che in der Automatentheorie beschrieben werden, und eine effiziente Abarbeitung der

Mustersuche ermöglichen. Für die Regeldefinition stellt GATE die Beschreibungssprache

Java Annotation Patterns Engine (JAPE) zur Verfügung. In dieser wurden typische in den

Texten erkennbare Muster definiert, die auf die Nennung von Personen hinweisen.

Nach der Extraktion waren noch minimale Nacharbeiten notwendig: Zum einen muss-

te eine Zuordnung von Duplikaten stattfinden. Dies umfasst z. B. eine Behandlung des

Genitiv-Falls, wie die Zusammenführung von „Martin Luther“ und „Martin Luthers“

auf die erstere Variante. Weil die Texte z. T. eine veraltete Orthographie und andere

als die heute üblichen Satzkonstrukte verwenden, konnten keine Standardwerkzeuge

zum POS-Tagging oder für andere Verfahren zur grammatikalischen Analyse verwendet

werden, mit denen diese Fälle direkt im NER-Prozess behandelt werden können. Andere

Vereinheitlichungen waren nur in einem semi-automatischen Verfahren realisierbar,

etwa die Vereinigung der Schreibweisen „Albrecht Mendelsohn-Bartholdy“, „Albrecht

Mendelssohn“ und „Albrecht Mendelssohn-Bartholdy“. Zudem mussten einige fälsch-

licherweise ausgewählte Kandidaten-Zeichenketten manuell aussortiert werden, wie

„Ernst des Lebens“, welche dem selben Muster wie die gewünschte Zeichenkette „Theo-

dor des Coudres“ folgt. Für andere, wie „Ann Arbor“ fehlt dem Verfahren das nötige

Hintergrundwissen – schon in [

MMG99

] wurde gezeigt, dass zur Erkennung benannter

Entitäten geographischen Typs der textuelle Kontext meist nicht ausreicht.

Auf Identifizierung der Entitäten, z. B. die Zuweisung zu entsprechenden Wikipedia-

Artikeln, wurde in diesem Anwendungsszenario verzichtet, da sie für viele der erkannten

Personen trivial über den Eintragstitel möglich ist, für die anderen jedoch wesentlichen

Rechercheaufwand bedeutet.

137

4.2 Entitäten-Netzwerke

In Abbildung 4.1 ist eine Visualisierung innerhalb der webbasierten Oberfläche zu se-

hen, welche wieder die Bibliothek Sigma verwendet. Zunächst wurde ein kräftebasiertes

Layout in Gephi errechnet, wobei davon die feststehenden, nach Jahren geordneten Rek-

toratsreden (farblich nach Typ untergliedert) ausgenommen wurden. In der Folge sind

Entitäten meist nah an den Jahrgängen, in denen sie Erwähnung finden, herangezogen.

Es zeigt sich in der Übersicht ein Unterschied zwischen den oben aufgereihten (fachbezo-

genen) Antrittsreden und den unten gelisteten (universitätsbezogenen) Jahresberichten.

Letztere beinhalten deutlich mehr Personennamen.

Abbildung 4.1: Interaktion mit der Visualisierung der Personennamen, mit

„Fisheye“-Vergrößerung um den Mauszeiger (oben) und Filterung auf

Knoten-Nachbarschaft nach einem Mausklick (unten).

Mit dem im Beispiel ausgewählten Theodor Mommsen sind die folgenden Dokumente

verknüpft:

○

Der Jahresbericht von 1874

, wo seine in diesem Jahr nur drei Wochen währende Pro-

fessur in Leipzig angesprochen wurde,

○

der Jahresbericht von 1903

, wo (einem Tag vor seinem Tod) Sorge um seinen Gesund-

heitszustand geäußert wurde und an seine Spende für die Leipziger Papyrussamm-

lung erinnert wird,

○

der Jahresbericht von 1906

, wo er als Weggefährte des in diesem Jahr verstorbenen

Heinrich Degenkolb genannt wird,

○

die Antrittsrede von 1921: „Von den Ursachen der Größe Roms“ und

○

die Antrittsrede von 1923: „Das Wesen des ägyptischen Volkes“.

138

Kapitel 4 Modellerweiterungen und komplexere Anwendungsfälle

Für diese Form der Visualisierung erfolgte ein Export der Analyseergebnisse im Graph-

Austauschformat GeXF

, wodurch die Nutzung von Programmen zur Graphanalyse (allen

voran Gephi) möglich wird. In diesem Umfeld können auch verschiedene Methoden der

Netzwerkanalyse angewendet werden. Es sind verschiedene Formen der Graphinduktion

für den exportierten Graphen denkbar. Abbildung 4.2 zeigt den bereits vorgestellten

Dokument-Entity-Graphen noch einmal im „freien“ Layout ohne Fixierung der Doku-

mentknoten. Das Einführen eines Kantengewichts-Schwellwerts passt die Visualisierung

so an, dass nur Personen gezeigt werden, die mit mehr als einem Dokument verknüpft

sind und die sich damit als Korpus-Navigations-Facette eignen.

Abbildung 4.2: Dokument-Personen-Netzwerk, rechts ohne Personen mit

Knotengrad 1

Neben diesem Datensatz kann auch die Dokumenten-Kookkurrenz von Entitäten zur Aus-

gabe eines Kookkurrenzgraphen ausgewertet werden. Das ermöglicht perspektivisch die

Analyse thematischer oder sozialer Nähe, indem eine Person-Person-Kante als „virtuelle“

Kante aus dem Textmodell abgeleitet wird. Dabei muss die Interpretation des Ergebnisses

behutsam erfolgen. Es ist beispielsweise nicht gerechtfertigt, in diesem Zusammenhang

von einem „sozialen Netzwerk“ zu sprechen, wie für ähnliche Analysen z. B. in [

Gra14

]

angemerkt wird. Insbesondere wegen der großen Kookkurrenzeinheit ist im Einzelfall

nicht unbedingt von semantischen Gründen für das gemeinsame Auftreten von Entitä-

ten auszugehen. Für eine statistische Mittlung dieser möglichen Zufallseffekte sind 125

http://gephi.org/gexf/format/

139

4.2 Entitäten-Netzwerke

Dokumente dabei bei weitem noch nicht ausreichend.

Weitergehende Arbeiten zur Graphinduktion aus NER-Ergebnissen und die Nutzung des

Graphen zur Korpusnavigation wurden im in [

KEAH14

] beschriebenen Kooperationspro-

jekt (in der Hauptsache durch Christoph Kuras) für das Stasi-Korpus durchgeführt.

Abschließend muss – wieder im Sinne von [

Gra14

] – darauf hingewiesen werden, dass

Netzwerkanalyse lediglich ein Werkzeug in einer Kette von Analysen und Perspektivwech-

seln sein kann und keineswegs ein solitäres Analyseverfahren, an das sich keine kritische

Betrachtung mehr anschließen muss.

Eine weiterer Anwendungsfall, bei dem Netzwerke

benannter Entitäten zum besseren Gesamtverständnis eines Textkorpus beitragen kön-

nen, wird im folgenden Abschnitt vorgestellt. Dabei werden statt Personennamen nun

die im Text genannten Orte untersucht.

4.2.2 Erzeugung und Exploration von Toponymnetzwerken

Ortsbezeichner lassen sich oft eindeutig identifizieren und lokalisieren und erlauben

damit eine logische Verbindung von Texteinheiten in ein üblicherweise kartesisches

Konzept von Raum und mithin in ein kartographisch unterfütterbares Koordinaten-

system. Netzwerke benannter Entitäten lassen sich darüber in einem geographischen

Referenzrahmen „erden“ und in diesem erweiterten Kontext interpretieren.

Das folgende Fallbeispiel widmet sich den neunbändigen „Historien“ des Herodot von Ha-

likarnassos, die im Herodot-Korpus in griechischer Edition und englischer Übersetzung

enthalten sind. Für den englischen Text existieren Annotationen benannter Entitäten,

wobei geographische Entitäten mit einem

Gazetteer

verknüpft sind – einer Ortsnamenslis-

te, in der meist neben Verweisen auf Namensvarianten von Orten auch die Koordinaten

der konkreten Geo-Entitäten hinterlegt sind.

Für die antike Welt des Mittelmeerraumes existiert mit Pleiades

ein sehr umfangreicher

Gazetteer, auf welchen in den TEI-Auszeichnungen im Herodot-Korpus verwiesen wird.

Diese Verweise basieren auf den bereits in Abschnitt 2.3.5 auf Seite 61 kurz vorgestellten

Ansätzen von LOD. Über diese Identifier sind die Einträge auch für den Abgleich mit

anderen, den LOD-Prinzipien folgenden und mit Pleiades verknüpften Gazetteers, wie

"Le réseau, un moyen pas une fin"

http://pleiades.stoa.org/

140

Kapitel 4 Modellerweiterungen und komplexere Anwendungsfälle

dem „iDAI.gazetteer“

des Deutschen Archäologischen Instituts geeignet. Verschiedene

Datenquellen mit geographischen Bezügen sind auf diese Weise miteinander verbunden.

Mit dem Projekt Pelagios

[

SBdI14

] wird versucht, Synergien in diesem Umfeld zu stärken,

und neue Werkzeuge und Standards für den Umgang mit diesen Daten zu schaffen.

In diesem Rahmen ist zu erwähnen, dass derzeit auch erste Ansätze für die Nutzung von

Property-Graph-Datenbanken zur Verwaltung und Abfrage von semantisch verknüpften

Gazetteers entwickelt werden, wie beispielsweise eine studentische Seminararbeit von

Manuel Bär an der Universität Zürich aufzeigt, s. [Bär16].

Für die geographische Analyse der Historien wurde eine kookkurrenzbasierte Netzwerk-

induktion auf Grundlage des im TEI enthaltenen Markups durchgeführt. In den dort

verzeichneten Abschnitten von jeweils ca. zwei Sätzen Länge wird das gemeinsame Auf-

treten von als Toponym annotierten benannten Entitäten ausgewertet. Die meisten

dieser Entitäten verfügen über eine zugewiesene Pleiades-ID und damit über abrufbare

Geo-Koordinaten.

Dabei ist anzumerken, dass ein automatisches Verfahren selbstverständlich nicht die

detaillierte Erschließungstiefe erreichen kann, die nur aufwändig durch manuelle (oder

stark nutzergesteuerte semi-automatische) Analysen und die genaue Annotation geogra-

phischer Zusammengehörigkeit herstellbar ist. Im Vorwort zu [

BBPI16

] beschreiben Bar-

ker, Bouzarovski und Isaksen den (auch auf das Beispiel des Herodot-Korpus bezogenen)

Arbeitsprozess für den Netzwerkansatz bei der Analyse geographischer Überlieferungen

des Altertums als „

first carefully identifying the occurrence of places as and when they occur in

the narrative, and then equally carefully assessing whether the place is mentioned in relations to

another and, if so, what form that relationship takes.“

An die Stelle sorgfältiger Abwägungen im Einzelfall tritt in dieser Arbeit eine pauschale,

möglichst wenige Annahmen tätigende Behandlung der Kookkurrenz von Toponymen.

Alle interpretativen Schritte werden in die Phase nach der Erstellung des Netzwerks

verschoben, wobei auch (und gerade) dann trotz distanzierter und aggregierter Sichtweise

ein Rückbezug bis zur einzelnen Textstelle erfolgen muss.

Abbildung 4.3 auf der nächsten Seite zeigt die für diesen Zweck geschaffene Webanwen-

dung, den „

Ancient World Explorer

“. Das Programm dient zur visuellen Darstellung des

http://gazetteer.dainst.org/

http://pelagios.org/

141

4.2 Entitäten-Netzwerke

geographisch verankerten Toponymnetzwerks

und ermöglicht eine Interaktion mit

den Knoten und Kanten dieses Netzwerks. Es ist ferner damit möglich, Teilnetzwerke

für beliebig große Abschnitte der Historien (von wenigen Abschnitten bis zu den vollen

neun Büchern) zu erstellen. Als Hintergrundkarte wurde die Basiskarte des „

Ancient World

Mapping Center

“

verwendet, welche nur topographische und keine modernen Kartenele-

mente verwendet.

Abbildung 4.3:

Ansicht des „

Ancient Word Explorer

“ mit geographisch verankertem

Netzwerk von Toponymkookkurrenzen in Buch 5 des Herodot-Korpus

Durch das Klicken auf einen Knoten wird ein Info-Kasten geöffnet, der den genaueren

Entitätentyp (Insel, Siedlung, Hafen, Aquädukt), verschiedene Benennungen und einen

Link zur Pleiades-Ressourcen-Seite enthält. Durch das Klicken auf eine Kante wird ein

Kasten geöffnet, in welchem die englischen und griechischen Versionen derjenigen

Textstellen aufgelistet sind, in welchen die durch die Kante verbundenen Toponyme

gemeinsam auftreten. Abbildung 4.4 auf der nächsten Seite zeigt ein Beispiel dieser

Ansicht samt der zur Textstelle zugehörigen CTS-URN. Diese verweist wiederum per

Hyperlink direkt zur entsprechenden Volltext-Ansicht im Perseus-Projekt

In Abbildung 4.5 auf der nächsten Seite ist überblicksartig die Sequenz der Toponym-

netzwerke für alle neun Bücher der Historien abgetragen. Es zeigt sich, dass der lokale

Fokus der Beschreibung über das gesamte Narrativ hin doch recht stark variiert – eine

Zu diesem Zweck wurde existierende Basisfunktionalität der Javascript-Bibliothek D3 [

BOH11

] entspre-

chend angepasst.

http://awmc.unc.edu/, weitere Information zur Karte hier:

http://awmc.unc.edu/wordpress/tiles/map-tile-information

http://www.perseus.tufts.edu/

142

Kapitel 4 Modellerweiterungen und komplexere Anwendungsfälle

Abbildung 4.4: Detailansicht für Toponymkookkurrenz von Sybaris und Cyrene

mit nach Typ eingefärbten Entitäten

(1) (2) (3) (4) (5) (6) (7) (8) (9)

Abbildung 4.5: Sequenz von Toponymnetzwerken über alle Bücher im

Herodot-Korpus

Beobachtung, die natürlich in der Fachwissenschaft schon lange bekannt ist, die hier aber

auch dem Laien eindrücklich dargelegt werden kann.

Die nicht mit Koordinaten ausgestatteten Knoten werden in der Ansicht durch einen kräf-

tebasierten Graph-Layout-Algorithmus in der Nähe ihrer Kookkurrenten abgetragen. Die

Grundannahme, dass eine Kookkurrenz von Toponymen nicht selten durch den aktuellen

lokalen Fokus der Schilderung hervorgerufen wird, sorgt dafür, dass die anzunehmende

reale Position in einigen Fällen nicht allzu weit von der so auf die Karte projizierten

Kartenposition abweicht. Diese Sichtweise ist natürlich nicht immer zutreffend. Wird bei-

spielsweise im Text eine Liste von griechischen Städten genannt, die unter dem gleichen

Herrscher gegründet wurden, müssen diese nicht zwangsläufig nah beieinander liegen.

Abbildung 4.6 auf der nächsten Seite zeigt einen weiteren Fall, in dem die geographische

Lage sich trotz dreier Kookkurrenten per „Triangulierung“ über die Kookkurrenzorte be-

stimmen lässt. Dieser Umstand fällt jedoch erst bei genauerer Ansicht der entsprechenden

Textstelle (urn:cts:greekLit:tlg0016.tlg001:9.93.1) auf:

143

4.2 Entitäten-Netzwerke

Abbildung 4.6: Netzwerkverbindungen und Kartenabbildung der annotierten

Orte Apollonia, Chon, Lacmon und Oricum. Chon ist nicht georeferentiert.

There is at Apollonia a certain flock sacred to the Sun, which in the daytime is pas-

tured beside the river Chon, which flows from the mountain called Lacmon through

the lands of Apollonia and empties into the sea by the harbor of Oricum. By night,

those townsmen who are most notable for wealth or lineage are chosen to watch it,

each man serving for a year, for the people of Apollonia set great store by this flock,

being so taught by a certain oracle. It is kept in a cave far distant from the town.

Während Apollonia, Lacmon und Oricum über den Gazetteer geographisch verknüpft

sind,

ist für Chon nur bekannt, dass es sich dabei um einen Ortsbezeichner handelt –

einen Fluss, wie man dem Text entnehmen kann. Nach einem Blick auf die Karte kann al-

lerdings ausgeschlossen werden, dass ein Fluss von der Markierung L über das Umland von

A nach O fließt. Hier ist offensichtlich in den Ausgangsdaten ein falsches Apollonia (auto-

matisch) mit der Toponym-Annotation assoziiert worden. Im Graphenmodell kann diese

Zuweisung leicht entfernt werden, so dass letztlich der Fluss „Chon“ (korrekterweise)

provisorisch zwischen Lacmon und Oricum verortet wird. Die interpretationsabhängige

Untersuchung, ob es sich bei Chon angesichts dieser Lage z. B. um den auch als „Aous“ be-

kannten Fluss mit der Pleiades-ID

481726

handelt, kann nun von fachwissenschaftlicher

Seite erfolgen. Ein stets vorsichtiger und kritischer Blick auf die kompakt angezeigten

Ergebnisse von Textanalysen ist in jedem Fall gefragt.

Die hier vorgestellten Methoden und das gezeigte Werkzeug sind nicht auf den Spezi-

alfall des Herodot-Korpus beschränkt. Jeder entsprechend annotierte Text kann auf

diese Weise verarbeitet und visualisiert werden. Von der Pelagios-Initiative wird der-

zeit mit Recogito

ein kollaboratives Onlinewerkzeug zur geo-zentrischen Textannota-

Pleiades-IDs 216706, 530972 und 481939

http://recogito.pelagios.org/

144

Kapitel 4 Modellerweiterungen und komplexere Anwendungsfälle

tion entwickelt. Über dessen API-Funktionalität ist es möglich, auf die manuell oder

semi-automatisch annotierten Dokumente zuzugreifen. Über solche Vernetzungen von

Werkzeugen lassen sich künftig auch

Crowdsourcing

-Ansätze verfolgen, in denen einfache

Annotationsaufgaben von vielen Freiwilligen erledigt werden, wodurch auch Einzelfehler

durch Mehrfachbearbeitung reduziert werden können.

Grundsätzlich existieren jedoch noch offene Fragestellungen beim automatisierten Um-

gang mit geographischen Entitäten, speziell auch solchen im historischen Kontext. Zum

einen ist in bisherigen Ansätzen zur LOD-Repräsentation von Orten nur wenig einheit-

liche Modellierung der Granularität der Entitäten vorhanden. So können Werkzeuge

meist nur Punktkoordinaten verwenden, was bei Entitäten, die Kontinente, Länder und

Provinzen beschreiben, nicht zweckmäßig und visuell unpassend ist. Auch zeitliche Ein-

ordnungen und deren Granularitäten – ab wann existieren Orte, ab wann haben sie welche

Ausdehnung und tragen sie welchen Namen – sind derzeit nicht ausreichend berücksich-

tigt. Diese Probleme grenzen an viel weiterreichende Fragen der fachwissenschaftlichen

Modellbildung.

Letztlich ist grundsätzlich zu klären, wie heutzutage die Erschließung von Raumbegriffen

stattfinden kann, die im Kontext vergangener Zeiten und Kulturen verwendet wurden.

Schon die Abbildung auf den kartesischen Raum verändert den Kontext enorm, da genaue

Kenntnisse über diesen Raum und seine Abbildung erst in der Moderne aufkamen, Raum

also nicht so abgebildet wird, wie er ehemals wahrgenommen wurde. In jedem Fall muss

genau geklärt werden, wie historische Texte Ortsbezüge verwenden. Hier sind einfache

statistische Methoden sehr auf die Aufdeckung generischer Abhängigkeiten limitiert. An

die Stelle der hier vorgestellten Kookkurrenzbetrachtungen können jedoch stets auch

Ergebnisse entsprechend optimierter Relationsextraktionsverfahren oder manueller

Annotation und Modellierung treten.

4.2.3 Eigennamenübersetzung aus lokal alignierten Paralleltexten

Im Herodot-Korpus liegt neben der bis hierhin verwendeten geo-annotierten englischen

Übersetzung der Historien auch eine Edition des altgriechischen Textes vor. Diese verfügt

im TEI-Markup allerdings über keinerlei Auszeichnung von Eigennamen. Im Folgenden

wird gezeigt, wie die Orts-Annotationen der englischen Version auch für die Behandlung

von Toponymen im griechischen Text genutzt werden können. Über das vorgestellte

Verfahren kann der verwendete Gazetteer auch um weitere griechische Entsprechungen

145

4.2 Entitäten-Netzwerke

für die enthaltenen Ortsnamen erweitert werden.

Die strukturellen Aggregationsmöglichkeiten in der Graphdatenbank, insbesondere der

abschnittsweisen Alignierung der beiden Sprachvarianten, werden im Folgenden mit

lexikalischen Vergleichsoperationen kombiniert. Für das Verfahren werden dabei einige

Annahmen getroffen:

○

Die Großschreibung eines Wortes in der griechischen Edition wurde vom Editor

hauptsächlich zur Hervorhebung von Eigennamen verwendet.

○

In der Übersetzung wurde Koreferenz für Entitäten – über Pronomen oder andere

Hilfsmittel – nicht quantitativ oder qualitativ wesentlich anders als im griechischen

Text verwendet.

○

Die Übersetzung ist abschnittsweise inhaltstreu und das sprachübergreifende Vor-

kommen von Entitäten (und damit den originalen und übersetzten Eigennamen)

in den gleichen Abschnitten ist statistisch auffällig.

○

Die übliche Übersetzungspraxis für Ortsnamen orientiert sich an der phonetischen

Sequenz, welche mit lexikalischen Merkmalen korreliert, welche sich wiederum

durch Transliterationsverfahren alphabetübergreifend zu großen Teilen bewahren

lassen.

Diese Annahmen sind sicher nicht für alle Übersetzungen korrekt. Im hier beschriebenen

Fall scheinen sie aber hinreichend zutreffend zu sein.

Für die Transliterierung wird im Folgenden die Unicode-Funktionalität der International

Components for Unicode (ICU), einer Werkzeugsammlung für den Umgang mit uni-

codebasierten Zeichenketten in verschiedenen Schriftsystemen, verwendet. Die in Java

geschriebene „Quasi-Referenzimplementierung“ für Unicode-Operationen, die ICU4J-

Bibliothek

, lässt sich einfach in das System integrieren (und wird auch für die Zeichen-

normalisierung in Kadmos genutzt). Der folgende als Zeichenkette übergebene Befehl

kann verwendet werden, um eine optimierte

Transliterator

-Instanz zu erzeugen, deren

transliterate

-Methode eine gegebene griechische Zeichenkette in eine vereinfachte

Form im lateinischen Alphabet umwandeln kann:

1 nfd;[:nonspacing mark:]remove;[:modifier letter:]remove;greek-latin

http://icu-project.org/

146

Kapitel 4 Modellerweiterungen und komplexere Anwendungsfälle

Zunächst wird in die NFD konvertiert, dann werden kombinierende und modifizierende

Diakritika (und ähnliche unerwünschte Zeichen) entfernt und schließlich die Standard-

Transliterierung vom griechischen ins lateinische Alphabet durchgeführt. Beispielsweise

wird aus dem griechischen

Χαλκιδέες

die Zeichenkette

Chalkidees

gebildet. Diese weist

eine gewisse Ähnlichkeit mit der englischen Übersetzung

Chalcis

auf (im deutschen analog

„Chalkida“ oder „Chalkis“).

Zur Bestimmung geeigneter Übersetzungskandidaten im gesamten Dokument genügt

dann bereits ein sehr einfacher Ansatz zur Kombination von Erkenntnissen aus Auf-

tretenshäufung und Wortähnlichkeit: Für jedes Toponym

in der englischen Version

wird die Menge

aller Abschnitte betrachtet, in denen es enthalten ist. In der damit

korrespondierenden Menge

der selben Abschnitte in der griechischen Version werden

alle vorkommenden großgeschriebenen Wörter

in der Kandidatenmenge

erfasst.

Für diese Kandidaten wird eine Scoring-Funktion wie folgt definiert:

score

max(l(t), l(c)) − edit(t, λ(c))

l(t) + l(c)

· α +

(c)

max

d∈C

(co

(d)) + |S

wobei die Funktion

die Zeichenlänge angibt,

die oben beschriebene Transliterierung

bezeichnet und

edit

ein Maß für die Unähnlichkeit zweier Wörter ist

. Es wird zur

Berechnung geeigneter Kandidaten also nur ein (im Bezug auf

) lokaler Ausschnitt des

Korpus zur Berechnung der Toponymentsprechungen herangezogen.

Für alle

c ∈ C

wird

score

(c)

berechnet und zur absteigenden Sortierung der Kandida-

ten genutzt. Zur Bildung eines Schwellwertes für den

Score

wird zunächst der

Maximalscore

maxscore

= max

d∈C

score

(d)

ermittelt. Alle Kandidaten die einen höheren Score

als einen Schwellwert

maxscore

· β

besitzen, werden als Ergebnisliste für

zurückgege-

ben.

In den folgenden Beispielen wurden die Parameter auf

α = 4

und

β =

festgelegt. Diese

sind (wie im Übrigen das gesamte Verfahren) nicht systematisch optimiert worden, son-

dern wurden anhand vorangehender Testläufe abgeschätzt. Für das häufig vorkommende

Egypt wurden dabei die folgenden 18 Entsprechungen zurückgegeben:

Αἰγύπτῳ Αἰγύπτου Αἴγυπτον Αἰγύπτωˆ Αἴγυπτος᾿ Αἴγυπτόν Αἰγυπτίῳ Αἴγυπτους᾿ Αἴγυπτος

Αἰγυπτίη Αἰγύπτιοι Αἰγυπτίων Αἰγυπτίῃσι Αἰγύπτιον Αἰγύπτιαι Αἰγυπτίου Αἰγύπτιος Αἰγυπτίοισί

Es handelt sich dabei um die Levenshtein-Distanz, auf d ie in Abschnitt 4.5 auf Seite 173 noch weiter

eingegangen wird.

147

4.2 Entitäten-Netzwerke

Hierbei handelt es sich um verschiedene grammatikalische Varianten des korrekten

Toponyms, die durchaus für eine Erweiterung des Gazetteers interessant sein können.

Für Troja (

Troy

) wurden

Τροίης

und

῎Ιλιον

als Kandidaten gefunden, letztere trotz großer

lexikalischer Unterschiede aufgrund der sehr ähnlichen Muster im Auftreten. Es ist also

durchaus ein gemischter Einfluss beider Ansätze für den Wortabgleich zu erkennen.

Die quantitative Auswertung wurde dankenswerterweise unterstützt durch Dr. Elton

Barker

. Es ergab sich in Anbetracht der Einfachheit des Ansatzes ein recht positives

Ergebnis: Nur bei 31 der 729 Toponyme (4,25%) war der Übersetzungskandidat mit dem

höchsten Score keine korrekte Entsprechung der englischen Bezeichnung. In allen ande-

ren Fällen wurde eine passende Wortform gefunden.

Einige der Negativbeispiele erfordern dabei auch bei manueller Bearbeitung ein gewisses

Hintergrundwissen: In der englischen Toponymliste findet sich so z. B. als Benennung

eines Felsens der Begriff „

Blackbuttocks

“, nach einem Beinamen für Herkules

. Das seltene

Vorkommen dieses Worts und die nicht an der griechischen Oberflächenform orientierte

inhaltliche Übersetzung erschweren eine automatische Zuweisung des korrekten Überset-

zungskandidaten ohne zusätzliche Wissensbasis enorm. Die zurückgegebenen Kandidaten

sortiert nach Score lauten:

᾿Αλπηνὸν Μελαµπύγου ᾿Ασωπουˆ Κερκώπων Λοκρίδων

wobei der korrekte Kandidat immerhin an zweiter Position steht.

Das hier vorgestellte Verfahren bietet viele Ansatzpunkte für Erweiterung, Anpassung

und eine (über das Parameter-

Tuning

hinausgehende) Optimierung. Dazu lassen sich viele

verschieden Ideen entwickeln:

Für nicht stellengetreu alignierte Paralleltexte lässt sich eine Vergrößerung des Kontexts

um angrenzende Abschnitte durchführen. In der Folge könnte sogar ein zumindest semi-

automatischer Alignierungsmechanismus über die gefundenen Entitäten implementiert

werden.

Wenn generell auch nicht-lokale Abfragen in das Verfahren einfließen sollen, so könnte

beispielsweise in Anlehnung an Tf-idf-Berechnungen auch ermittelt werden, in wie vielen

Abschnitten ein Übersetzungskandidat überhaupt vorkommt. Ist diese Zahl deutlich grö-

ßer als

, so ist es eher unwahrscheinlich, dass es sich um eine korrekte Übersetzung

Dozent der Klassischen Altertumswissenschaft an der Open University (Milton Keynes, GB)

vgl. „Schwarzsteiß“ in http://www.vollmer-mythologie.de/melampygus/

148

Kapitel 4 Modellerweiterungen und komplexere Anwendungsfälle

handelt. Zusätzlich könnten auch Übersetzungskandidaten für Anthroponyme und Eth-

nonyme

auf die oben beschriebene Weise berechnet werden. Dann könnten die starken

Kandidaten der Ergebnislisten dieser Entitätentypen genutzt werden, um schwächere

Kandidaten der Toponym-Ergebnislisten herauszufiltern.

Schließlich bietet auch die Berechnung der lexikalischen Ähnlichkeit noch Verbesserungs-

möglichkeiten. In Anbetracht der zahlreichen Wortvarianten, die sich hauptsächlich im

Suffix unterscheiden, könnte die Editierdistanz z. B. noch so angepasst werden, dass

Unterschiede am Wortende geringere Distanzen verursachen als solche, die zu Beginn

der Worte auftreten. Auch häufig auftretende äquivalente Lautentsprechungen sollten

geringe Kosten aufweisen, wie beispielsweise beim

, welches im Englischen meist mit

einem c nachgebildet, aber im Programm mit k transliteriert wird.

Auch für diesen Anwendungsfall lässt sich feststellen, dass die Modellierung und Abfrage

über Graphdatenbanken die nötige Flexibilität für initiales

Prototyping

, inkrementelle

Verbesserung und perspektivische Verfahrenserweiterung bietet.

4.3 Systematisierung und Filterung bibliographischer

Daten

Mit dem nun folgenden Anwendungsfall wird sowohl die forschungsgeleitete Integration

bibliographischer und biographischer (Meta)-Datensammlungen in ein Property-Graph-

Modell demonstriert, als auch der interdisziplinäre Prozess beleuchtet, in welchem die

domänen- und fachfragenspezifische Eingrenzung und Auswertung des Datenbestandes

umgesetzt wurde. Bei den in diesem Abschnitt vorgestellten Arbeiten handelt es sich

um ein Kooperationsprojekt mit Ninja Steinbach-Hüther

. Sie hat die Hauptarbeit bei

der Formulierung der fachspezifischen Forschungsfragen geleistet, sämtliche manuellen

Arbeitsschritte und qualitativen Analysen konzipiert und ausgeführt sowie paritätisch die

hier beschriebene Forschungsmethodik mitentwickelt. Die technologische Umsetzung

Personennamen sowie Benennungen von Völkern und Stämmen

Ninja Steinbach-Hüther schreibt ihre Dissertation an der Universität Leipzig und der École normale

supérieure, Paris, zum Thema „Zirkulationsweisen afrikanischen Wissens. Präsenz und Rezeption

akademischer Literatur aus Afrika in Deutschland und Frankreich“ und ist Wissenschaftlerin im

Sonderforschungsbereich 1199, „Verräumlichungsprozesse unter Globalisierungsbedingungen“, Teil-

projekt C1 (Universität Leipzig / Leibniz-Institut für Länderkunde (IfL), Leipzig).

http://research.uni-leipzig.de/~sfb1199/

149

4.3 Systematisierung und Filterung bibliographischer Daten

für Datenimport, -modellierung, -transformation, -filterung und -visualisierung wurde

dagegen eigenständig vom Autor dieses Buches vorgenommen.

Das Projekt beschäftigt sich mit Fragen und Problemen des Kulturtransfers und lässt

sich inhaltlich in den „

Global and Area Studies

“ verorten. Ausgangspunkt ist die Frage,

inwieweitin den Sozial- und Geisteswissenschaften seit der Mitte des letzten Jahrhunderts

an der globalen Wissensproduktion afrikanische Autoren partizipieren. Dabei wird der

Umgang mit und die Rezeption von entsprechenden Veröffentlichungen (hier speziell

Monographien) in nicht-afrikanischen Ländern als Untersuchungsgegenstand gewählt.

Das Forschungsumfeld und vorangehende Arbeiten zu diesem Thema werden in [

ESH14

]

detaillierter vorgestellt. Dabei werden auch die Grundzüge des Projekts genauer motiviert

und dokumentiert, als es hier möglich ist.

In überwiegendem Maße begegnen die bisherigen Forschungsansätze dem Thema auf

exemplarische Art und Weise durch tiefgreifende qualitative Betrachtungen kleiner

Ausschnitte. So wird z. B. die Wirkhistorie einzelner Autoren, Verlage und anderer indi-

vidueller Akteure nachgezeichnet. Eine repräsentative „Bestandsaufnahme“ relevanter

Veröffentlichungen aus dem afrikanischen akademischen Umfeld findet dabei allenfalls

für sehr kleine thematische Teilgebiete statt.

Das Ziel des hier vorgestellten Kooperationsprojekts ist es, komplementär zu diesen

punktuellen (und im weitesten Sinne dem

close reading

zuzuordnenden) traditionellen

Analysen eine bisher nicht berücksichtigte quantitative Sichtweise auf der Basis großer

digital vorliegender Datensammlungen zu entwickeln. Damit lassen sich Entwicklun-

gen und Zusammenhänge aus einer „Makro-Perspektive“ betrachten, wodurch sowohl

grundsätzliche Aussagen über die Zusammensetzung und Dynamik der Rezeption afrika-

nischer Wissensproduktion getroffen als auch lohnenswerte Ansatzpunkte für weitere

zielgerichtete qualitative Untersuchungen gefunden werden können.

Die Untersuchung stützt sich auf eine umfassende Sammlung bibliographischer Daten,

die durch die Französische Nationalbibliothek, die Bibliothèque nationale de France (BnF),

erfasst wurden. Die BnF hat einen öffentlichen Sammelauftrag, der alle französischspra-

chigen sowie alle in Frankreich verlegten Publikationen einschließt. Der Datensatz ermög-

licht einen Einblick in den französischen Buchmarkt und die sich dort widerspiegelnde

Sichtbarkeit afrikanischer Autoren im Bereich sozial- und geisteswissenschaftlicher For-

schungsthemen.

150

Kapitel 4 Modellerweiterungen und komplexere Anwendungsfälle

Die Rezeption der Resultate afrikanischer Forschungstätigkeit außerhalb ihrer Herkunfts-

länder wird dabei durch die Linse eines Landes mit ausgeprägter kolonialer Vergangenheit

und sprachlichen Verbandelungen auf den afrikanischen Kontinent gesehen, welches

häufig zugleich Wirkungsstandort afrikanischer Akademiker ist. Eine Kontrastierung der

im Folgenden vorgestellten auf BnF-Daten basierenden Analysen mit Ergebnissen aus

(bisher hauptsächlich manuell ausgewerteten) Katalogdaten der Deutschen Nationalbi-

bliothek findet im Rahmen der fachwissenschaftlichen Ergebnisinterpretation statt und

soll in diesem Buch daher ausgeklammert werden.

Die Daten wurden direkt von der BnF bezogen und von der Fakultät für Sozialwissen-

schaften und Philosophie der Universität Leipzig für die Untersuchung weiterführender

Forschungsfragen erworben. Dabei wurde eine Vorselektion vorgenommen, auf nach

1950 in Frankreich verlegte Bücher mit mindestens einem zugeordneten Autor, wel-

chem in den Stammdaten der BnF („

catalogue général

“) ein afrikanischer Länder- oder

Sprachencode zugewiesen ist. Unter Beachtung dieser Bedingungen wurden korrespon-

dierende Datensätze mit 51266 Autoreneinträgen und 64574 Büchereinträgen extrahiert

und im Dateiformat des Tabellenkalkulationsprogramms Excel zur Verfügung gestellt.

Die Spalten orientieren sich dabei am BnF-eigenen MARC-basierten Metadatenformat

„Intermarc“. Alle Einträge besitzen eine eindeutige Identifikationsnummer. Zum Teil sind

in Feldinhalten bestimmte Zeichenketten, wie „

“ enthalten, die eine Separierung in

mehrere Teilwerte anzeigen. Solche Multi-Wert-Felder werden z. B. für die Verknüpfung

von Büchern mit Autoren-IDs verwendet.

Die Datensätze zu Büchern beziehen dabei nicht einzelne Exemplare (

Items

) ein, etwa mit

Informationen zur Regaleinordnung, wie sie in vielen Bibliothekssystemen üblich sind.

Der vorliegende Datensatz bewegt sich auf der Ebene der

Manifestation

, also physisch in

Serie erzeugter Editionen und damit Ausgaben von verschriftlichten (in Form einer

Ex-

pression

realisierten) Werken (

Works

) – die Unterscheidung in diese konzeptuellen Ebenen

in Bibliotheksdatensätzen wurde mit dem Functional Requirements for Bibliographic

Records (FRBR) eingeführt.

Die adäquate informatische Behandlung eines solchen Forschungsszenarios erfordert

insbesondere die Nutzung (oder Erstellung) eines geeigneten Werkzeugs zur Systema-

tisierung und Filterung der Daten in einer Form, in der die Beantwortung komplexer

Forschungsfragen möglich ist. Diese (teils sehr konkreten) Forschungsfragen sind stark

datenbezogen und zu Beginn des Projekts daher noch nicht im Detail bekannt. Sie ergeben

sich schrittweise während der explorativen Beschäftigung mit den Datensätzen und den

151

4.3 Systematisierung und Filterung bibliographischer Daten

daraus ableitbaren Mustern im Vergleich zu bestehenden Theorien.

Für ein solches Forschungsszenario ist die Nutzung wissenschaftlicher Bibliographie-

Verwaltungs-Software, welche oft den Bereich des persönlichen Wissensmanagements

adressiert, nicht ausreichend. Die dort vorhandenen Werkzeuge orientieren sich oft an

Modellierungskonstrukten von BibT

, was die Verwaltung der Daten schon für einfachs-

te quantitative Betrachtungen sehr erschwert. In [

Ley09

] wird diese Problematik näher

beschrieben. Unter anderem ist die Berücksichtigung der genauen Identität von Autoren

dort meist nicht gegeben, da Autorenschaft üblicherweise nicht über die Namensnennung

hinaus abgebildet werden kann.

Im Bereich der Szientometrie und deren Unterdisziplin, der Bibliometrie, werden zwar

quantitative Untersuchungen von wissenschaftlichen Veröffentlichungen und deren

Autoren durchgeführt, der Fokus liegt dort jedoch fernab des hier betrachteten Kul-

turtransfers. Die üblichen Analysen von Zitation (und Koautorenschaft) sind hier nicht

möglich bzw. nicht zielführend (wie später noch gezeigt wird). Entsprechend verfügen

auch die einschlägigen Werkzeuge, wie SciMAT

und Sci2

nicht über alle der hier

benötigten Funktionen.

Auch generische Werkzeuge zur Datenaufbereitung und Informationsintegration, einem

Bereich, der meist mit Extract, Transform, Load (ETL) bezeichnet wird, bieten sich nicht

für eine Nachnutzung an: Open Refine

bietet zwar umfangreiche Möglichkeiten zur

Datenfilterung, -konvertierung und -vereinheitlichung, besitzt allerdings den Nachteil,

dass es Eingangsgrößen als reine tabellarische Datensätze auffasst. Die Datengrundlage

in diesem Projekt basiert zwar auch auf Tabellen, jedoch sind diese über Identifikati-

onsnummern verknüpft und genau diese Verknüpfung soll als Ausgangsbasis für Fil-

terungsschritte dienen. Hinzu kommt, dass Open Refine zwar nützliche Operationen,

wie Datennormalisierung und das Aufsplitten und Zusammenführen von Feldinhalten

unterstützt, diese aber irreversibel und permanent sind – mit Ausnahme einer linearen

Undo

Redo

-Funktion. Beim dort unterstützten Arbeitsablauf fehlt jede Möglichkeit des

Experimentierens mit und Dokumentierens von einzelnen Verarbeitungsschritten. Werk-

zeuge für die Schaffung visueller Zugänge zu multidimensionalen Daten durch interaktive

Analysen sind ebenfalls meist tabellenorientiert und zudem meist nicht mit genügend

Populäres Literaturverwaltungssystem für den Einsatz mit dem Textsatzsystem L

http://sci2s.ugr.es/scimat

http://sci2.cns.iu.edu/user/index.php

http://openrefine.org/

152

Kapitel 4 Modellerweiterungen und komplexere Anwendungsfälle

Transformationsmöglichkeiten ausgestattet – so z. B. DataComb

, wo Ideen aus [

RC94

]

implementiert werden, RAW

oder Brunel

Werkzeuge für die Metadatenprozessierung im Bibliothekssektor, wie beispielsweise Me-

tafacture

mit der Transformationssprache Metamorph, s. [

BGH15

], und einer eigenen

Scriptsprache namens „Flux“ bieten dagegen gute Transformationsmöglichkeiten, haben

jedoch üblicherweise wiederum einen komplett anderen Fokus, nämlich die Definiti-

on statischer Transformationsprozessketten und Formatkonverter für veränderliche

Datensätze, wohingegen hier flexibel veränderbare Filterungs- und Transformationsmög-

lichkeiten für einen statischen Datensatz benötigt werden.

Aus der Durchsicht all dieser jeweils nur partiell geeigneter Werkzeuge ergibt sich die

Notwendigkeit der Entwicklung eines eigenen Systems, welches auf der Basis verknüpfter

Daten in einem Property-Graph-Modell arbeiten soll. Über das Ruby-Gem Roo

kann

ein Import der Daten leicht erfolgen, wobei Multi-Wert-Felder bereits an dieser Stelle

aufgesplittet und ihre Einzelwerte in Knoten umgewandelt werden. Die Verknüpfung

der Basisinformationstypen „Buch“ und „Autor“ hat dabei die Besonderheit, dass der

Datensatz unterschiedliche Formen der Autorenschaft angibt. Diese können im Property-

Graph-Modell allerdigs einfach als Kantentypen repräsentiert werden. Bei der BnF werden

nach Intermarc-Kodierungsschema 209 Rollen unterschieden, in denen die Mitwirkung

von Personen an Buchpublikationen beschrieben werden kann. Diese „Autorenrollen“

umfassen Standardrollen, wie den Textautor (

0070

„

Auteur du texte

“), aber auch sehr

spezifische Funktionen, wie Erfinder, Kopist, Illustrator oder Vorwortschreiber. Abbil-

dung 4.7 auf der nächsten Seite zeigt schematisch, dass nur bestimmte Rollen (und damit

nur bestimmte Gegenspieler bei Autorenschafts-Kanten) für die Betrachtungen relevant

sind.

Mit den so verknüpften Daten ist es möglich, erste visuelle Auswertungen des Datensatzes

vorzunehmen. Die den Autoren zugewiesenen Länder können später genutzt werden,

um einen geographischen Bezug der einzelnen als relevant erachteten Bücher herzu-

stellen. Dafür muss jedoch zunächst die Datengrundlage genauer untersucht werden.

Abbildung 4.8 auf Seite 155 zeigt die Aggregation von ca. 39000 Ländereinträgen der

http://www.bytemuse.com/post/data-comb-visualization

http://app.raw.densitydesign.org/

http://brunel.mybluemix.net/gallery_app/renderer

http://culturegraph.github.io/

http://github.com/roo-rb/roo

http://www.bnf.fr/documents/intermarc_ref_fonctions.pdf

153

4.3 Systematisierung und Filterung bibliographischer Daten

Abbildung 4.7: Skizze zur Verknüpfung von Büchern und Autoren in

verschiedenen Rollen im Datenmodell

in den Ausgangsdaten enthaltenen Autoren. Es ist zu erkennen, dass auch Länder au-

ßerhalb Afrikas enthalten sind. Der Grund dafür ist, dass manchen Autoren mehrere

Länder zugewiesen sind und andere wiederum durch ihre Kenntnis einer afrikanischen

Sprache in der Datenbasis enthalten sind, aber im Datensatz eine nicht-afrikanische

Staatsbürgerschaft zugewiesen bekommen haben. Später müssen verbliebene Autoren

dieser Konfiguration einzeln manuell überprüft werden, um sicherzustellen, dass sie der

fachwissenschaftlich gewünschten Definition „afrikanischer“ Autoren im Kontext der

Forschungsfrage genügen.

Die Visualisierung kann für direkte Länderangaben (Autoren) aber auch indirekt ermit-

telbare (Bücher) und abfragespezifische Ausgaben (z. B. „Koautoren ägyptischer Autoren

mit mehr als 5 Veröffentlichungen“) verwendet werden. Sie kann ebenso beliebige Filte-

rungsstände reflektieren, die dann visuell untereinander verglichen werden können. Die

intensivste Färbung repräsentiert dabei jeweils das (absolut) am häufigsten enthaltene

Land, Schattierungen davon bedeuten abgestufte Anteile. Die Werte sind nicht nach

Fläche, Einwohnerzahl oder anderen Merkmalen der Länder normalisiert, haben also

keinen direkten Flächenbezug und nutzen die Karte nur als geographische Orientierung

zur Verortung der Länder

. Aus der Datenbasis können für diese Darstellungsform leicht

Extrakte einzelner Zeitabschnitte (auf Basis der Jahresangaben) gebildet werden, welche

dann z.B. auch in Form einer Animation Aufschluss über die temporale Entwicklung

geben können.

Selbst nach der Anwendung theoretisch abgeleiteter und thematisch angemessener Normalisierungs-

maße wäre nicht unbedingt eine der statistischen Eigenschaften der geographischen Verteilung

angemessene Interpretierbarkeit der Karte gegeben, wie z. B. in [

BDM

] thematisiert wird. Über-

dies wird auch auf eine Differenzierung der diachron veränderlichen Staatenaufteilung verzichtet,

was sich z. B. in der Ausblendung von Somaliland und dem Südsudan zeigt, in anderen Ländern aber

zu leichten Verzerrungen führt. Insgesamt ist das Ziel nur die Ermöglichung eines leichten Auffindens

der am stärksten präsenten Länder und deren Abgrenzung zu sehr schwach repräsentierten Ländern.

154

Kapitel 4 Modellerweiterungen und komplexere Anwendungsfälle

Abbildung 4.8: Kartogramm-ähnliche Darstellung der Autorenverteilung nach

Land im Ausgangsdatenbestand

Die entwickelten Visualisierungen, von denen hier nur eine Auswahl gezeigt werden

kann, sind browserbasiert und wurden unter Verwendung der in Javascript geschriebenen

Programmbibliothek D3 erstellt, vgl. [BOH11]. Es zeigt sich in vielen Anwendungsfällen,

dass Visualisierungstechniken bewusst und defensiv eingesetzt werden müssen. Aus einer

rein relativen Angabe der Geschlechterverhältnisse wie in Abbildung 4.9 auf der nächsten

Seite oben gezeigt, könnte z. B. voreilig abgeleitet werden, dass sich seit den 1950er Jahren

bis in die 1980er Jahre der Anteil weiblicher Autoren schubweise von 0% auf 10% erhöht

hat. Angesichts der „

River

“-Darstellung unten wird dabei jedoch deutlich, dass in der

Anfangszeit im Schnitt nur fünf bis zwanzig Bücher gelistet sind

und deshalb Aussagen

zu relativen Verhältnissen dort nicht auf Basis einer verlässlichen Grundgesamtheit

getätigt werden können.

Nach initialen Visualisierungen zur Verschaffung eines Überblicks über die Daten, müs-

sen nun Facetten geschaffen werden, durch die es gelingt, effizient zu filtern und zu

aggregieren. Eine der erweiterten Aufgaben des ETL-Prozesses ist in diesem Zusammen-

Beim Überfahren der Visualisierung mit der Maus werden die konkreten Werte für das jeweilige Jahr

angezeigt

155

4.3 Systematisierung und Filterung bibliographischer Daten

Abbildung 4.9:

Relativer Anteil eingetragener Geschlechter für Buchautoren über

die Zeit der Buchpublikationen – Prozentsatz und Stream-Ansicht absoluter

Verhältnisse

hang die Datenbereinigung hinsichtlich unterschiedlicher Benennungen von Entitäten.

Dies umfasst zum Teil auch semi-automatische Schritte, um z.B. Einträge im Feld für Ver-

lagsangaben korrekt auf eine Basisbezeichnung zurückzuführen. Entsprechend müssen

geeignete Zeichenketten gefunden werden, die für eine Suche von Entitäten verwendet

werden können. Hierbei wurde z. B. „

armat

“ als geeigneter Substring identifiziert, um

Verknüpfungen zu einem neu angelegten Knoten für den Verlag „L’Harmattan“ durchzu-

führen. Die einzelnen Einträge mit diesem Substring beinhalteten die folgenden Verlags-

angaben:

l’Harmattan d. l’Harmattan Ed. l’Harmattan l’Harmattan-Sénégal l’Harmattan-Cameroun l’Harmattan-

RDC ditions l’Harmattan l’Harmattan-Congo L’Harmattan Academia-l’Harmattan l’Harmattan Séné-

gal l’Harmattan Cameroun l’Harmattan-Cameroun d. L’Harmattan diff. l’Harmattan l’Harmattan-[Côte

d’Ivoire l’Harmattan Congo l’ Harmattan Ed. L’Harmattan l’Harmattan Italia l’Harmattan-Côte d’Ivoire

d.l’Harmattan l’Harmatan l’Harmattan-[Congo le Scribe l’Harmattan l’Harmattan-[Sénégal Ed l’Har-

mattan Espace l’Harmattan Kinshasa l’Harmattan Gabon l’Harmattan Mauritanie l’Harmattan-ACIVA

Wenn das Netzwerk entsprechend mit extrahierten Entitäten angereichert ist, kann mit

der Filterung des Datenbestandes begonnen werden. Allerdings genügen die aus der

Struktur ablesbaren Muster nicht, um die Eingrenzung der Untersuchungsgegenstände

entsprechend der Forschungsfrage vorzunehmen. Als wichtige zusätzliche Aufgabe ist

die Filterung nach thematischem Fokus eines jeden Buches anzusehen. Im Einzelfall ist

die Entscheidung über Relevanz dabei alles andere als trivial und nicht mit der nötigen

Präzision auf automatischem Wege zu treffen. Vereinfacht lässt sich diese Thematik z. B.

so illustrieren, dass Bücher über ingenieurtechnische Aspekte des Staudammbaus nicht

von Interesse sind, wohingegen Bücher über die sozialen Folgen des Staudammbaus sehr

wohl Betrachtung finden sollten.

156

Kapitel 4 Modellerweiterungen und komplexere Anwendungsfälle

In den meisten Bibliotheken findet eine Kategorisierung des Bestandes nach Themen

statt, so auch bei der BnF, wo dafür die Dezimalklassifikation nach Dewey genutzt wird.

Dabei handelt es sich um ein hierarchisches System, bei dem die erste, signifikanteste

Stelle die höchste Granularität besitzt. Eine so vereinfachte ontologische Sichtweise ist

selbstverständlich nicht ausreichend, um das Thema eines Buches zu beschreiben. Daher

werden den entsprechenden, meist sechsstelligen Codes üblicherweise noch andere als

Zahlen kodierte Konkretisierungen oder Nennungen von Querschnittsaspekten (wie

Ortsbezug) angehängt. Zudem werden zunehmend auch mehrere Kodierungen pro Buch

verwendet.

Das große Spektrum möglicher Angaben soll anhand des folgenden Beispiels verdeutlicht

werden: Das Buch „

Possession, magie et prophétie en Algérie

“

besitzt die drei Klassifizie-

rungen:

○

306.089 92765 (21. Dewey-Edition) – mit 11 verknüpften Einträgen,

○

299.613

– „

Culte public et autres pratiques (religions africaines)

“ – mit 13 Treffern und

○

133.408 992765

– „

Démonologie et sorcellerie – Étude en relation avec les Algériens

“ (22.

Dewey-Edition) mit nur diesem einem verknüpften Buch

Die Angaben zur Anzahl so verschlagworteter Werke bezieht sich auf den kompletten,

ungefilterten Datenbestand der BnF

. Aus der hohen Spezifität der einzelnen Einträge

und der großen Heterogenität der Kodierungs-Kategorien ergibt sich eine Situation, in

der weder ein flächendeckender manueller Ausschluss großer Kategorien noch eine auto-

matisierte Unterstützung, etwa über Verfahren des (überwachten) maschinellen Lernens

Aussicht auf Erfolg haben

. Gleichzeitig ist die erneute manuelle Auszeichnung aller

Bücher unter Berücksichtigung der Forschungsfrage nicht mit vertretbarem Aufwand

umsetzbar – auch, wenn sich daraus viele weitere Analysemöglichkeiten ergeben und

insbesondere auch die Entwicklung von Modellen für die Wissensproduktion, wie z. B.

von Ginda, Scharnhorst und Börner [GSB16] beschrieben, möglich wird.

Alternativ wurde eine Kombination aus regelbasierten Filterungsschritten und daten-

getriebenen Visualisierungen und Listenansichten gewählt, mit der schrittweise ein

Ausschluss unerwünschter Datensätze stattfinden kann. Ergänzt wurden diese interak-

s. „la 23e édition de la Classification décimale Dewey“ hier:

http://asted.org/webdewey-r-en-francais-6688.html

http://catalogue.bnf.fr/ark:/12148/cb34743618d

Stand: 23.11.2016

Eine der wenigen Ausnahmen dazu bilden z. B. die Kategorien zu den Naturwissenschaften, vgl. Abbil-

dung B/4 auf Seite 249 im Anhang.

157

4.3 Systematisierung und Filterung bibliographischer Daten

tiven Filterwerkzeuge um eine Stichwortsuche, die zum Ausschluss größerer Mengen

eindeutig unpassender Literatur verwendet werden kann. Einzelne Filterungsschritte

können dabei jederzeit deaktiviert werden. Dabei werden derzeit noch komplette Neufil-

terungen mit den verbliebenen Regeln ausgeführt. Dies könnte optimiert werden, wenn

sich bei größeren Datensätzen Geschwindigkeitsprobleme ergeben sollten. Die Prozes-

sierung kommt jedoch ohne einen Neu-Import der Daten aus und verwendet nur die

Graphen-Repräsentation – ohne Originalwerte zu überschreiben.

○

Filtern von Autoren nach

– Ländercodes,

– Geburtsjahr (zum Ausschluss von Editionen antiker Autoren),

– Vorhandensein auf semi-automatisch angelegter Negativliste.

○

Filtern von Büchern, bei denen

– nach obiger Filterung kein Autor (in geeigneter Rolle) verblieben ist,

–

Negativ-Schlagwörter in entsprechenden Feldern (Titel, Kurzbeschreibung,

Genre) enthalten sind (um ungewünschte Literaturformen wie z. B. Autobio-

graphien und Reiseberichte zu filtern),

–

bestimmte Verlage verknüpft sind (z. B. zum Filtern dezidierter Jugendlitera-

tur-Verlage),

– ein Eintrag in der semi-automatisch angelegten Negativliste besteht.

○

Filtern von Autoren, denen nun kein Buch mehr (über eine geeignete Rolle) zuge-

ordnet werden kann.

Die so aufbereiteten und gefilterten Daten können in ihrer Graphenstruktur nun grund-

sätzlich auch mit Mitteln der Netzwerkanalyse untersucht werden. Jedoch zeigt bereits

ein oberflächlicher Blick auf die Graphenvisualisierungen in Abbildung 4.10 auf der

nächsten Seite, dass beispielsweise das (in ungefilterten Datensätzen zuweilen recht

dicht verknüpfte) Koautoren-Netzwerk im Fall des reduzierten Datenbestandes nur wenig

zusammenhängend ist.

Wie eingangs beschrieben, soll hier nicht im Detail auf die fachwissenschaftliche Auswer-

tung der Daten eingegangen werden, sondern primär nur der Weg von den Rohdaten hin

zu einer flexiblen Rechercheumgebung für eine präzise und effiziente Abgrenzung und

Auswertung des relevanten Materials beschrieben werden.

Die automatische Erkennung dicht zusammenhängender Teilgraphen für die Abbildung wurde durch

das Clusteringverfahren „Chinese Whispers“ umgesetzt, s. [Bie06].

158

Kapitel 4 Modellerweiterungen und komplexere Anwendungsfälle

Abbildung 4.10: Visualisierungsvarianten für das Koautoren-Netzwerk in

kräftebasiertem Layout in Gephi, links mit Knotengröße entsprechend des

Knotengrades und rechts mit Einfärbung nach Knoten-Clustering

Alternativ zum hier beschrittenen Weg wäre denkbar, als Ausgangsbasis auch die von der

BnF bereitgestellten Versionen des Katalogdaten-Gesamtexports im RDF-Format

zu ver-

wenden. Der Prozess der Erzeugung dieser Daten wird in [

SWMM13

] näher beschrieben.

Es lässt sich jedoch feststellen, dass die dabei durchgeführte semantische Anreicherung

und Verknüpfung einen grundlegend anderen Fokus als die in diesem Projekt durch-

geführten Arbeiten besitzt. Zudem bringt der große Umfang der Datensammlung (mit

38 GB XML-Rohdaten) einen erheblichen technischen Mehraufwand mit sich, vgl. dazu

auch [ESH14]. Letztlich bleibt auch aus wissenschaftlicher Sicht abzuwägen, ob die inte-

gral wichtigen Schritte der Datenintegration und Normalisierung tatsächlich in einem

(zwangsweise) intransparenten externen Prozess ablaufen sollten.

Das erstellte Recherchewerkzeug bietet einen angemessen großen Funktionsumfang und

besitzt grundsätzlich gute Erweiterbarkeit, sollte sich jedoch nicht als „Datensilo“ und

letzte Station für alle notwendigen Analysen positionieren. Daher wurde eine Export-

funktion integriert. Das zum Einlesen der Primärdaten verwendete Ruby-Gem kann auch

genutzt werden, um den aktuellen Filterungsstand in Form einer tabellarischen Ansicht

für Bücher und Autoren auszugeben. Dies bietet sich an, damit bestehende Arbeitsabläufe,

die bisher in Excel umgesetzt wurden, auch weiterhin durchführbar sind.

Mit diesem Anwendungsfall wurde gezeigt, wie ein großer bibliographischer Datenbe-

stand durch die Überführung in eine Property-Graph-Repräsentation und die Erstellung

http://data.bnf.fr/semanticweb-en

159

4.4 Struktur und Komplexität von Dramen

leichtgewichtiger Werkzeuge für die Exploration, Filterung, Transformation und Analyse

für eine fachwissenschaftliche Auswertung erschlossen werden kann. Dadurch werden

Forscher in die Lage versetzt, qualifiziert mit Datenmengen zu operieren, die in konven-

tioneller Arbeitsweise nicht ausgewertet werden könnten.

4.4 Struktur und Komplexität von Dramen

4.4.1 Extraktion, Analyse und Visualisierung von Struktur

Bei dramatischen Werken handelt es sich um vielschichtige szenische Beschreibung

der Interaktion von Akteuren, ihren Gesprächen, sonstigen Äußerungen und teils auch

Gedanken. Dabei sind viele komplexe Strukturen erkennbar, die sich über den eigentlichen

Text legen und welche dabei oft expliziter beschrieben sind, als in anderen Formen

der Belletristik. Für eine Analyse ergeben sich daraus viel mehr Ansatzpunkte und zu

betrachtende Kontexte, was diese Quellengattung auch zu einem besonders interessanten

Untersuchungsgegenstand in den e-Humanities macht.

Der Begriff Komplexität ist dabei intuitiv recht einfach fassbar – Sachverhalte und Zu-

sammenhänge, die sich einer einfachen Beschreibung entziehen, sind komplex. Je mehr

Aspekte zur adäquaten Beschreibung zwingend benötigt werden, umso komplexer ist

vermutlich das Beschriebene. Solche Komplexitätskriterien lassen sich zwar sehr einfach

in natürlicher Sprache formulieren, umso schwerer fällt es aber, sie zu formalisieren

oder gar zu berechnen, wie z. B. die Kolmogorow-Komplexität in der Informatik zeigt,

s. z. B. [

LV09

]. In Anbetracht dessen soll die Betrachtung der Komplexität von Dramen

hier auch zunächst im informellen Sinne geschehen, bevor sie später noch durch eine

mathematische Herangehensweise unterstützt wird.

Zur Einschätzung von Komplexität gehört eine Betrachtung von Regelmäßigkeit und

Unregelmäßigkeiten, dem Grad von Verknüpfung und der Intensität von Interaktion

innerhalb eines Systems. Die in den e-Humanities entwickelten Technologien sollen

helfen, genau solche Aspekte und Zusammenhänge aufzudecken, sie begreifbar, abstra-

hierbar und vergleichbar zu machen. Daraus ergibt sich auch eine starke Verbindung zu

Methoden der Visualisierung – besonders der Informationsvisualisierung und der

Visual

Analytics, wie bereits kurz vorgestellt.

160

Kapitel 4 Modellerweiterungen und komplexere Anwendungsfälle

Für die algorithmisch unterstützte quantitative Analyse von Dramen ergibt sich zunächst

die Frage nach dem eigentlichen Untersuchungsgegenstand und seiner Repräsentation

im digitalen System – mithin die Frage nach einem geeigneten Modell. Dramen sind Texte,

weisen aber im Vergleich zu anderen Texten Besonderheiten auf, denn: „

Although plays

exist which were mainly written for a reading audience, dramatic texts are generally meant to be

transformed into another mode of presentation or medium [...]“ [LM04]

Im Rahmen dieser Arbeit sollen Dramen in Form von Property-Graphen abgebildet wer-

den. Die Frage ist dabei nicht primär, ob die Struktur eines Dramas tatsächlich einem

Graphen ähnelt, sondern ob aus einer Graphenrepräsentation eines dramatischen Werks

ein geeignetes Modell für die Analyse von Handlungsstrukturen und Ähnlichem abgeleitet

werden kann. Wie bereits gezeigt, kann aus einer vernetzten Textrepräsentation auf To-

kenebene sehr flexibel zwischen Mikro- und Makroperspektiven gewählt und gewechselt

werden. Zudem hilft sie, direkte und indirekte Zusammenhänge zwischen Datensätzen

abzufragen.

Tatsächlich ist es die erweiterte Struktur, die Dramen besonders macht. Struktur ist

wieder im Sinne von Schachtelung und Abfolge gegeben, es werden jedoch neue Ebenen

eingeführt. Regieanweisungen wechseln sich mit Szenenbeschreibungen ab. Charak-

tere tragen mit An- und Abwesenheit auf der Bühne und verschiedenen Formen von

Sprechakten und Handlungen direkter und durch diskretere Strukturen zum Narrativ

bei.

Die hier überblicksartig vorgestellten Methoden und Werkzeuge wurden im Rahmen

der in [

EHJ15

] beschriebenen Arbeiten für die Analyse des Shakespeare-Korpus entwi-

ckelt. Ähnliche Ansätze – jedoch auf Basis von XML-Technologien – verfolgt die Initiative

„Digital Literary Network Analysis“

. Dort wird auch eine etwas andere Form der Graph-

induktion gewählt, die anhand der als Property Graph gespeicherten Texte auch in dieser

Arbeit umgesetzt werden könnte.

Die hier verwendete Methode betrachtet für den Aufbau des Analysenetzwerks die Se-

quenz von Redeakten innerhalb von Szenen. Folgen zwei Redeakte aufeinander, wird zwi-

schen den jeweils sprechenden Charakteren eine Kante angelegt. Bei mehreren solchen

Stellen wird das Gewicht der Kante erhöht. Schon Moretti, der ebenfalls Dramenstruktu-

ren (allerdings mutmaßlich händisch) in Graphen überführt hat, spricht sich in [

Mor11

]

für die Nutzung gewichteter Kanten für die Netzwerkanalyse in Dramen aus:

http://dlina.github.io/

161

4.4 Struktur und Komplexität von Dramen

[...] when Claudius tells Horatio in the graveyard scene, ’I pray thee, good Horatio,

wait upon him’, these eight words have in this Figure exactly the same value as the

four thousand words exchanged between Hamlet and Horatio

In der automatischen Analyse werden dabei Gruppenbezeichnungen, wie „Die Räuber“,

„Beide“ oder „Alle“ nicht aufgelöst und unterschiedliche Benennungen der selben Cha-

raktere, wie „Die Königin“ und „Gertrude“ nicht zusammengeführt. Über entsprechend

qualifizierte Annotationen oder Heuristiken lässt sich die Analysequalität noch steigern.

Grundsätzlich stellt sich für eine solche Form der Netzwerkinduktion die Frage, welche Ef-

fekte dadurch sichtbar gemacht werden. Bisher wird nur die Abfolge von Redevorgängen

dokumentiert. Ob beide Charaktere miteinander sprechen, wird so nicht klar. Deshalb soll

hier für die Erzeugung von Kanten ein Schwellwert für die Interaktion von Charakteren

eingeführt werden, über den sich regeln lässt, wie oft Charaktere am Stück im Wechsel

sprechen (und so vermutlich „antworten“) müssen, damit eine Kante entsteht oder ihr

Gewicht inkrementiert wird.

Abbildung 4.11 auf der nächsten Seite zeigt das so erstellte Interaktionsnetzwerk in Georg

Büchners „Dantons Tod“ (4 Akte, 32 Szenen) aus dem Dramen -Korpus. Für die Visuali-

sierung wurde wieder auf Sigmajs und ForceAtlas2 [

JVHB14

] zurückgegriffen. Durch das

Erhöhen des Schwellwerts zerfällt das Netzwerk langsam in einzelne Komponenten.

Die Einführung des Dialog-Schwellwerts erlaubt eine Ausblendung von marginaler In-

teraktion und vermeidet so weitestgehend die optische Gleichsetzung disproportionaler

Relationen.

Angesichts des sequenziellen Leseflusses und besonders der sequenziellen Aufführung

eines dramatischen Werks ist die Aggregation der Interaktionen des gesamten Textes in

eine einzige Darstellung ein Instrument zur Verdichtung, das je nach Interpretationsziel

hilfreich oder störend ist. Es existieren valide Argumente gegen ein „Einfrieren“ oder

Abstrahieren der Handlung unter Reduktion der sequenziellen Abfolge.

Zur Unterstützung solcher Sichtweisen bietet sich die Ableitung einer alternativen Dar-

stellungsform aus dem Graphen an. Abbildung 4.12 auf Seite 164 gibt einen Überblick

über den Handlungsverlauf (hier definiert als Zuweisung von Charakteren zu Szenen,

in denen sie sprechen) von drei ausgewählten Stücken, welcher sich visuell grob an U-

Bahn-Stationsplänen orientiert. Die Visualisierungssoftware wurde aus den „Comic Book

162

Kapitel 4 Modellerweiterungen und komplexere Anwendungsfälle

(a) Verknüpfung der Abfolge von einzelnen Sprechakten, Schwellwert: 0

(b) Schwellwert: 1 (c) Schwellwert: 2 (d) Schwellwert: 3

Abbildung 4.11:

Einfluss von Interaktions-Schwellwerten für die Graphinduktion

auf die sichtbare Struktur: Die Kante zwischen Danton und Robespierre, die in (b)

und (c) noch zwei Gruppen des Stücks verbindet, besteht in (d) nicht mehr und der

Graph zerfällt in viele Einzelkomponenten.

Narrative Charts“

von Nancy Iskander, Matthew Thorne und Craig Kaplan übernom-

men.

Für solche Aggregierung bieten sich die im Dokument enthaltenen Struktureinheiten des

Stücks an, eine andere, willkürlichere Einteilung, etwa in Abschnitte gleicher Wortanzahl

oder gleicher Sprechaktanzahl, kann alternativ vorgenommen werden.

Werkzeuge, wie die vorgestellten Visualisierungen von Struktur und Dialogen, erlauben

ein Distant Reading und zu einem gewissen Grad auch Vergleiche zwischen Stücken oder

sogar Sammlungen von Stücken. Ein solcher, hin zu größeren Dokumentsammlungen

skalierender Ansatz kann auch neue Perspektiven in der Fachwissenschaft eröffnen, da

er die Betrachtung breiterer Kollektionen ihrer Forschungsgegenstände ermöglicht. In

http://csclub.uwaterloo.ca/~n2iskand/?page_id=13

163

4.4 Struktur und Komplexität von Dramen

(a) Johann Wolfgang Goethe: Torquato Tasso

(b) Heinrich von Kleist: Der zerbrochene Krug

Abbildung 4.12: Beispiele für den Handlungsverlauf im Dramen-Korpus: Die

Stücke mit wenigen Charakteren und Szenen, (a) und (b) lassen sich gut

automatisch abbilden, während bei (c) zu viele Elemente die Übersichtlichkeit

beeinträchtigen.

[

Hir11

] wurden alle seit dem Jahr 1950 erstellten kritischen Editionen englischsprachiger

Dramen der Renaissance nach Dramatiker gruppiert gezählt. Mit 1285 Editionen entfal-

len mehr als die Hälfte der gelisteten Werke allein auf Shakespeare. Eine Stärke der e-

Humanities ist es, den Fokus der Forschung potentiell weg von einem kleinen Kanon und

hin zu einer Gesamtschau von Quellenmaterial zu bringen.

In der Praxis zeigen sich allerdings gerade in der Verfügbarkeit und im Erschließungs-

stadium größerer Korpora noch erhebliche Verbesserungsmöglichkeiten. Ein positives

164

Kapitel 4 Modellerweiterungen und komplexere Anwendungsfälle

Beispiel ist das SHC-Korpus, wobei auch dort trotz validem TEI-Formats ein Import der

Dramen nicht einfach ist: TEI erlaubt sehr viele verschiedene Verschachtelungsarten

und alternative Modellierungen für gleiche Phänomene. Zudem sind gerade die älteren

Stücke eher selten in Szenen eingeteilt (zuweilen nicht einmal in Akte), was nur eine

werksweite Auswertung ohne die Betrachtung solcher Segmentierungen erlaubt oder

neue Mechanismen zur Detektion eines „Szeneriewechsels“, z. B. aus Regieanweisungen,

erfordern würde.

Für eine fachwissenschaftliche Auswertung ist jedoch oft nicht nur die Makro-Skale von

Bedeutung, sondern auch die Aufdeckung kleiner Nuancen und Varianzen in einzelnen

Texten. In Abbildung 4.13 werden die Buchübersetzungen aus dem Othello-Korpus aus-

schnittsweise verglichen. Als Visualisierungswerkzeug wurde TraViz [

JGBS14

] verwendet.

Dort wird ein graphbasiertes Verfahren zur Alignierung der Editionen eingesetzt, welches

sich grundsätzlich auch direkt in Kadmos implementieren ließe. Auf diese Weise könnte

z. B. auch die gemeinsame Konzeptzugehörigkeit von Begriffen zur Alignierung heran-

gezogen werden, wodurch sich sogar ein Überschreiten von Sprachgrenzen realisieren

ließe – entsprechende Erweiterungen des Systems stehen aber zur Zeit noch aus.

harmoniren dran fürwahr besagt einhundert zusammentri�t häùg vermuthung

bekräftigte

einhundertsieben galeeren sagt

einhundertvierzig

fehlt

auch an der genauen zahl wie meist

vermutung etwas meldet

alles

bestätigenmacht

wirklich

meiner

gar

ihr inhalt

völlig

allgemeine schätzung denn irrt im

zwischen

verleiht

stehen im mißverhältnis

berichtet

einhundertundsieben

meins von einhundertundvierzig

von

uebereinstimmung

zeitungen

verdienen könnten in

that

gehen weit

meinen zwoohundert allein

glaubwürdig

machen

freylich

gehn ganz

meinigen

zwey

hundert indeß

nichts übereinstimmendes

wärn sehr ungereimt

einhundertsieben

sehr gleichen

von schätzungen

keine übereinstimmung

gäbe

zusammen meines

zu angabe übereinstimmen

es solchenin den berichten

gewiß

wird gemeldet

mir

sind

die vereinen

geschieht

schreiben hier kann niemand recht vertraun

verworren das meine

meldet

keins genaue zahlen nennt und man

stets

eine botschaft widerspricht der andern

es stimmt

hundertacht galeeren dies da

immerhin mag

zi�er schwanken

kein einklang

glaubhaft würden

allerdings

klappen durch rechte zi�ern

der

fehlt bei

das

tre�en

zahl

ein spielraum bleibt

nach schätzung

haben wären berichtet der der meinige zusammenstimmt so redet

nein

nur

indeß

ihre rechnung

den

spricht

neuigkeiten stimmen nicht zusammen

sind nicht glaublich

allgemein

meldet abweichung herrscht

ist keine einheit

glaubwürdig macht ja

widersprüchlich

hundertundsieben

meiner

diesen

berichte

schätzungsweise

der

wohl

sechs

muthmaßung

um zu hier

glauben sieben

schi�e

zu wenig

berichte

wenn

nurbrief meiner

die

berichtet

sie

weichen von

einander

mein

und

hundert vierzig

zweihundert

doch

die

zahl

auch

nicht

wie

sie

gerüchte melden

der

sie

beglaubigt jawohl

voneinander

hundertsechs

hundertvierzig

inhalt

in diesen

briefen

fehlt

zusammenhang

der

schreiben

nennt

mir

galeeren

meins

stimmt

genau

zusammen

insgemein

wenn

widersprechen sich

meins

stimmt

meldungen

den

fehlts an

sie

meiner

meldet

galeren

und

glaubwürdig

stimmen

nicht

hundertsieben

hier

übereinstimmung

zusammenhang

ihnen glaubwürdigkeit

und aber obwohl

einer genauen

in der tat

mein schreibenzueinander

nachrichten

sie

ist

kein

meines

sie

meine briefe sagen

und und

und

als daß

hundert

tatsächlich

zahlen sich fall

wodurch

oft

glaubhaft

sagt

hundertvierzig

wies

ist

machte

sich

jawohl

hundertvierzig

passen

wie soll man ihnen

vermutung

spricht

sind

die

ja fällenmeineeinklang

man

beglaubigt

harmoniren dran fürwahr besagt einhundert zusammentri�t häùg vermuthung

bekräftigte

einhundertsieben galeeren sagt

einhundertvierzig

fehlt

auch an der genauen zahl wie meist

vermutung etwas meldet

alles

bestätigenmacht

wirklich

meiner

gar

ihr inhalt

völlig

allgemeine schätzung denn irrt im

zwischen

verleiht

stehen im mißverhältnis

berichtet

einhundertundsieben

meins von einhundertundvierzig

von

uebereinstimmung

zeitungen

verdienen könnten in

that

gehen weit

meinen zwoohundert allein

glaubwürdig

machen

freylich

gehn ganz

meinigen

zwey

hundert indeß

nichts übereinstimmendes

wärn sehr ungereimt

einhundertsieben

sehr gleichen

von schätzungen

keine übereinstimmung

gäbe

zusammen meines

zu angabe übereinstimmen

es solchenin den berichten

gewiß

wird gemeldet

mir

sind

die vereinen

geschieht

schreiben hier kann niemand recht vertraun

verworren das meine

meldet

keins genaue zahlen nennt und man

stets

eine botschaft widerspricht der andern

es stimmt

hundertacht galeeren dies da

immerhin mag

zi�er schwanken

kein einklang

glaubhaft würden

allerdings

klappen durch rechte zi�ern

der

fehlt bei

das

tre�en

zahl

ein spielraum bleibt

nach schätzung

haben wären berichtet der der meinige zusammenstimmt so redet

nein

nur

indeß

ihre rechnung

den

spricht

neuigkeiten stimmen nicht zusammen

sind nicht glaublich

allgemein

meldet abweichung herrscht

ist keine einheit

glaubwürdig macht ja

widersprüchlich

hundertundsieben

meiner

diesen

berichte

schätzungsweise

der

wohl

sechs

muthmaßung

um zu hier

glauben sieben

schi�e

zu wenig

berichte

wenn

nurbrief meiner

die

berichtet

sie

weichen von

einander

mein

und

hundert vierzig

zweihundert

doch

die

zahl

auch

nicht

wie

sie

gerüchte melden

der

sie

beglaubigt jawohl

voneinander

hundertsechs

hundertvierzig

inhalt

in diesen

briefen

fehlt

zusammenhang

der

schreiben

nennt

mir

galeeren

meins

stimmt

genau

zusammen

insgemein

wenn

widersprechen sich

meins

stimmt

meldungen

den

fehlts an

sie

meiner

meldet

galeren

und

glaubwürdig

stimmen

nicht

hundertsieben

hier

übereinstimmung

zusammenhang

ihnen glaubwürdigkeit

und aber obwohl

einer genauen

in der tat

mein schreibenzueinander

nachrichten

sie

ist

kein

meines

sie

meine briefe sagen

und und

und

als daß

hundert

tatsächlich

zahlen sich fall

wodurch

oft

glaubhaft

sagt

hundertvierzig

wies

ist

machte

sich

jawohl

hundertvierzig

passen

wie soll man ihnen

vermutung

spricht

sind

die

ja fällenmeineeinklang

man

beglaubigt

Abbildung 4.13: Übersetzungsvarianten im Othello-Korpus

Das Anwendungsbeispiel des Othello-Korpus wurde bereits in [

JEBS15

] vorgestellt.

Besonderes Augenmerk liegt auf den hier sichtbar werdenden syntagmatischen und

paradigmatischen Beziehungen zwischen dem verwendeten Vokabular. Auffällig ist auch

165

4.4 Struktur und Komplexität von Dramen

die häufige Reduzierung von „a hundred and seven galleys“ auf 106 in den Übersetzungen.

Eine naheliegende Erklärung ist die Vermeidung sperriger metrischer Formen, wie sie

z. B. „einhundertundsieben“ aufweist. Ein erweiterter Erklärungsversuch könnte auch

die Beeinflussung späterer Übersetzter durch die früheren Editionen sein.

Diese Form des Textvergleichs ist natürlich nicht auf Dramen beschränkt, sondern kann

für jede Art von Paralleltexten, teilalignierten Dokumenten, Zitationen oder anderem so

genannten „Text Re-Use“ durchgeführt werden.

Die letzten Beispiele haben einen Eindruck davon vermittelt, welche Möglichkeiten sich

für eine visuelle Unterstützung der Analyse von Dramen (als eine Form komplexer Texte)

bieten. Im folgenden Abschnitt wird ein anderer Ansatz vorgestellt, diese Komplexität

als Grundlage für Vergleiche über Dokumente hinweg zu nutzen.

4.4.2 Informationstheoretische Komplexitätsbetrachtungen

In diesem Abschnitt werden Beiträge zur Untersuchung der Komplexität von Sequen-

zen im Sinne der Informationstheorie beschrieben, wie sie Mitte des 20. Jahrhunderts

maßgeblich von Claude Shannon etabliert wurde [

Sha48

]. Ein zentraler Begriff ist dabei

die Entropie

als eine Möglichkeit zur Quantifizierung von Unsicherheit über künftige

Nachrichten einer Quelle oder über Ereignisse, die von Zufallsgrößen abhängen.

Das im Folgenden (in aller gebotenen Kürze) vorgestellte Maß wurde gemeinsam mit

Gerhard Heyer und Jürgen Jost im Rahmen der Arbeiten an [

EHJ15

] konzipiert. Ziel war

die theoretisch fundierte Definition einer abstrakten numerischen Größe zur Abbildung

der Komplexität innerhalb einer Sequenz von „Zeichen“, welche auch vorangehende

zeichenübergreifende Einheiten zur Einschätzung der Vorhersagbarkeit eines nachfol-

genden Zeichens berücksichtigt. Es steht beispielhaft für zahlreiche ähnliche Maße, die

durch verwandte statistische und informationstheoretische Überlegungen erlangt wer-

den können. Die thematische Breite der statistikbasierten Erfassung von Komplexität

kann in dieser Arbeit leider nicht verdeutlicht werden. Es sei aber beispielhaft auf [

Li90

]

verwiesen, wo eine in diesem Zusammenhang aufschlussreiche Abhandlung über Mutual

Information und Korrelation in Sequenzen (u. a. auch natürlicher Sprache) gegeben wird.

Die informationstheoretische Entropie wird häufig mit der gleichnamigen Größe aus der Thermo-

dynamik vermischt, was jedoch (zumindest ohne die Berücksichtigung neuerer Überlegungen zu

Quanteneffekten) nicht gerechtfertigt ist, wie [JB72] zeigt.

166

Kapitel 4 Modellerweiterungen und komplexere Anwendungsfälle

Bei der Herleitung und Motivation des entwickelten Maßes wird der Einfachheit halber

auf eine Unterscheidung zwischen der (eigentlich wahrscheinlichkeitsbasierten) Entropie

und einem auf Beobachtungsfrequenzen beruhenden Entropieschätzer

verzichtet,

ebenso wie auf die Einführung eines daraus resultierenden Korrekturterms, etwa nach

[Mil55].

Die Sequenzen, deren Komplexität durch die Maßzahl ausgedrückt wird, können beliebige

Abfolgen sein, etwa von Ereignissen, Ergebnissen (diskreter) Messungen oder notierten

Symbolen in einer Symbolkette. Als einheitliche mathematische Basis wird dafür der

folgende abstrakte Formalismus verwendet:

Gegeben ein Lexikon

als nichtleere Menge von

Symbolen

, lassen sich eine Zei-

chensequenz A der Länge l und die daraus resultierenden n-Gramm-Sequenzen A

der

Längen l − n + 1 definieren:

L = { t

: 1 6 i 6 m } : m ∈ N

(4.1)

A =

, a

, . . . , a

: l ∈ N

, a

∈ L (4.2)

, a

), (a

, a

), . . . (a

l−1

, a

)

, a

, . . . , a

), (a

, a

, . . . , a

n+1

), . . . , (a

l−n+1

, a

l−n+2

, . . . , a

)

n ∈ N

, n 6 l (4.3)

Die relative Häufigkeit (Frequenz) eines Zeichens t in A errechnet sich als:

(t) =

k=1







1, wenn a

= t

0, wenn a

6= t

(4.4)

Die relative Häufigkeit einer Zeichensequenz S der Länge n in A

ergibt sich analog:

(S) =

l−n+1

k=1







1, wenn a

= S

0, wenn a

6= S

l − n + 1

(4.5)

167

4.4 Struktur und Komplexität von Dramen

Das Informationsmaß

eines Wahrscheinlichkeitswertes

, standardmäßig in Bit gemes-

sen, folgendermaßen definiert:

(p) =







0, wenn p = 0

−p · log

(p), wenn p 6= 0

(4.6)

I(p) = I

(p) (4.7)

Die Entropie

der Zeichensequenz

lässt sich unter Verwendung der relativen Auftre-

tenshäufigkeiten zur Abschätzung von Auftretenswahrscheinlichkeiten nun wie folgt

berechnen:

H(A) =

t∈L

(t) I

(

(t)

)

(4.8)

Die gleiche Berechnungsvorschrift gilt für die Entropie der n-Gramm-Sequenz A

H(A

) =

S∈A

(S) I

(

(S)

)

(4.9)

Unter der Blockentropie

der Zeichensequenz

mit Blocklänge

verstehen wir die

Differenz:

= H(A

) − H(A)

= H(A

i+1

) − H(A

) für i > 1 (4.10)

Ein einfaches Anwendungsbeispiel dieser Berechnungsvorschrift für zwei verschiedene

Sequenztypen wird in Abbildung 4.14 auf der nächsten Seite gegeben. Dort wird für

den Text aus dem Copperfield-Korpus die

-gramm-Entropie berechnet, wobei er

einmal als Wort- und einmal als Buchstabensequenz betrachtet wird. Die Blockentropien

lassen sich jeweils als „Höhenunterschied“ auf der Y-Achse zwischen den einzelnen

benachbarten Datenpunkten ablesen. Es zeigt sich, dass im Korpus Wort-

-gramme

der Länge

und aufwärts nur noch so selten vorkommen (oder ganz fehlen), dass kein

erkennbarer Entropie-Zugewinn durch Berücksichtigung der entsprechenden Blocklänge

erreicht werden kann. Ebenso zeigt sich der gleiche Effekt für die Zeichensequenz –

jedoch erwartungsgemäß bei deutlich größeren Blocklängen. Hierfür sind neben langen

Eigennamen sicher auch fixe Phrasen im Text verantwortlich.

Ein „Zeichen“ im Sinne der hier vorgestellten Sequenzanalyse kann – wie gerade gezeigt

168

Kapitel 4 Modellerweiterungen und komplexere Anwendungsfälle

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20

n =

n-Gramm-Entropie in Bit

Wörter: |L| = 15.316; m = 362.956

Zeichen: |L| = 63; m = 1.838.530

Abbildung 4.14: n-Gramm-Entropie für das Copperfield-Korpus als

Zeichensequenz und als Wortsequenz

– ein Schriftzeichen oder Wort

sein: Darüber hinaus kann es sich aber auch um ein POS-

Tag, einen sprechenden oder auftretenden Charakter eines Bühnenstücks, das kategoriale

Ergebnis einer Sprechakt-Klassifikation (Ansprache/Antwort, innerer Monolog, äußerer

Monolog, ...) oder jeden beliebigen anderen diskretisierbaren Teil einer Abfolge handeln.

Die Modellierung von Texten als Graphstruktur unterstützt die Extraktion verschiedener

Abfolgen, etwa als Aggregation erreichbarer Annotationsknoten aus der Tokensequenz

oder durch Umformung einer Sequenz von Strukturelementen. Zusätzlich können auch

im Anschluss an die Graphenabfrage noch Transformationen durchgeführt werden, etwa

bei Wortfolgen eine Silbenzerlegung oder die Reduktion auf das Vorhandensein von

Interpunktion in den nicht normalisierten Types

Innerhalb eines Korpus kann dann dokumentübergreifend untersucht werden, ob die

so ermittelte Komplexität der Dokumente eine interpretierbare Segmentierung erzeugt,

die eventuell mit dokumentbezogenen Metadaten korreliert. Dadurch wird der Werk-

zeugkasten der algorithmisch gestützten Literaturanalyse (vgl. noch einmal [

Joc13

] oder

[

Ram11

]) erweitert, welcher sich bisher eher aus einfacherer Statistik gespeist hatte, wie

der Untersuchung von Satzlängen, dem Zählen des (abschnittsweisen) Personenumfangs

oder der Kategorisierung von Monologlängen. All diese Auswertungsmethoden dienen

der Verdichtung der dokumentinternen Kontexte auf analytisch motivierte Kennzah-

len. Diese Kennzahlen können dann in die Gesamtinterpretation eines Werks oder einer

Hier in Form eines Types im Alphabet, das mit entsprechenden Token in der Sequenz korrespondiert

In [

DOK

] z. B. werden der Interpunktion interessante statistische Eigenschaften zugesprochen: „ A

distinct role of the full stops in inducing the long-range correlations in texts is evidenced by the fact that [...]

quantitative characteristics on the long-range correlations manifest themselves in variation of the full stops

recurrence times along texts“

169

4.4 Struktur und Komplexität von Dramen

Werkssammlung eingehen. Je mehr Perspektiven dabei eingenommen werden können,

umso mehr Anhaltspunkte ergeben sich für die Einordnung in den Gesamtkontext.

In Abbildung 4.15 wird die Summe aller Blockentropien ab

(vorstellbar als „Höhen-

differenz“ zwischen dem zweiten Datenpunkt und dem Pleateau in Abbildung 4.14 auf

der vorigen Seite) für deutsche Buchübersetzungen im Othello-Korpus gegen ihr Er-

scheinungsjahr abgetragen

. Der sich abzeichnende zeitliche Verlauf steht nun für li-

teraturwissenschaftliche Interpretationen zur Verfügung (inwieweit sich Übersetzer

von vorherigen Editionen inspirieren ließen, inwieweit die Schriften dem literarischen

Zeitgeist oder der allgemeinen Sprachentwicklung entsprechen, etc.). Neuere Editio-

nen älterer Übersetzungen sind in der Abbildung durch das Symbol



im Bezeichner

(zwischen Originalübersetzer und Editor) gekennzeichnet.

Abbildung B/5 auf Seite 250 im Anhang erweitert diese Ansicht um den zusätzlichen

Kontext englischer Ausgaben und deutscher Bühnenversionen. Es lässt sich erkennen,

dass die vorgestellte Maßzahl in diesem Szenario ansatzweise zur Sprachsegmentierung

geeignet ist. Grundsätzlich zeigt sich, dass damit vor allem relative Vergleiche innerhalb

homogener Dokumentkollektionen sinnvoll sind, da viele Faktoren und Eigenheiten

der Sprache Einfluss auf die Blockentropie nehmen können. Die Maßzahl kann auch

in der automatischen Verarbeitung genutzt werden, wo sie z. B. zusätzliche Feature-

Dimensionen für das Clustern von Dokumenten (nach verschiedenen ableitbaren Sequenz-

Komplexitäten) bereitstellt.

Für Vergleiche, in denen Aussagen über mehrere stark unterschiedliche Werke hinweg

getroffen werden sollen, sind derzeit noch Untersuchungen bezüglich der numerischen

Normalisierung nach Alphabetgröße bzw. Sequenzlänge durchzuführen. Wie oben bereits

angedeutet, ergibt sich durch die Nutzung von relativen Frequenzen zur Abschätzung

von Wahrscheinlichkeiten eine systematische Fehleinschätzung. Diese ist umso signifi-

kanter, je kleiner die Magnitude ist, die zwischen Typeanzahl und Tokenanzahl liegt. Ist

grundsätzlich (wie bei Wortsequenzen natürlicher Sprache) die Gesamtzahl möglicher

Types nicht bekannt, kann eine einfache Korrektur nicht vorgenommen werden. Ein An-

satz zur Behandlung dieses Problems ist die asymptotische Betrachtung der Varianz des

Schätzers in Abhängigkeit des Type-Token-Verhältnisses, wie in [

Har75

] vorgestellt. Die

grundsätzliche Aufgabe zur „Schärfung“ der Maßzahl im Kontext der e-Humanities liegt

jedoch allgemein weniger in einer mathematischen Korrektur von Schätzungsfehlern,

damit soll der „Informationsgehalt“, der sich über weitere Distanzen als nur benachbarte Wörter

erstreckt, abgebildet werden

170

Kapitel 4 Modellerweiterungen und komplexere Anwendungsfälle

1800 1850 1900 1950 2000

2,1

2,2

2,3

2,4

2,5

2,6

Jahr:

 Ortlepp

 Vischer

 Schaller

 Bodenstedt

 Bolte & Hamblock

 Wieland

 Eschenburg  Eckert

 Günther

 Baudissin  Meinerts

 Engler

 Rothe

 Schröder

 Flatter

 Gundolf

 Baudissin  Wolf

 Schiller & Voss

 Gildemeister

 Baudissin  Wenig

 Baudissin  Brunner

 Fried

 Baudissin  Bab & Levy

 Baudissin  Mommsen

 Laube

Anstieg der Wort-Block-Entropie in Bit

Abbildung 4.15: Blockentropie-basierte Maßzahl für deutsche

Buchübersetzungen aus dem Othello-Korpus

als vielmehr in ihrer umfassenden Dekorrelierung von der Sequenzlänge. Erst dadurch

können empirische Vergleiche innerhalb von Dokumentkollektionen mit signifikant un-

terschiedlich langen Dokumenten vorgenommen werden. Daran geknüpft ist auch die

notwendige Entwicklung von Methoden zur Abschätzung der Verlässlichkeit der Maßzahl

in Abhängigkeit von der Sequenzlänge, mithin die Möglichkeit zur Unterscheidung von

„Signal“ und „Rauschen“ im korpusweiten Vergleich.

Preliminäre Untersuchungen im Hinblick auf diese Normalisierungs-Problematik lassen

noch keinen endgültigen Schluss über ein optimales Vorgehen zu. Abbildung 4.16 auf der

nächsten Seite zeigt ein so genanntes QQ-Diagramm. Dieses kann verwendet werden, um

einzuschätzen, ob zwei für alle Untersuchungsgegenstände gemessene Größen grundsätz-

lich eher den gleichen oder eher unterschiedlichen (Wahrscheinlichkeits-)Verteilungen

171

4.4 Struktur und Komplexität von Dramen

unterliegen. Zeigen die Datenpunkte im QQ-Diagramm einen stark linearen Zusammen-

hang, ist von zwei Verteilungen der gleichen Verteilungsart auszugehen – ein Fall, der

einfachere Dekorellationsverfahren ermöglichen würde. Ein solcher Zusammenhang

kann in den bisher untersuchten Fällen allerdings weder bejaht, noch verneint werden.

3000 3250 3500 3750

2,2

2,4

2,6

Sequenzlängen

Anstieg der Wort-Block-Entropie in Bit

Abbildung 4.16: QQ-Diagramm der rangsortierten Sequenzlänge gegen die

rangsortierte Maßzahl (ebenfalls Othello-Korpus), mit linearer Regressionslinie

Trotz dieser offenen Fragestellungen bleibt festzustellen, dass die Informationstheorie

viele neue Möglichkeiten bietet, Sequenzen auf einzelne, offenkundig bedeutungstra-

gende Zahlenwerte zu reduzieren, die im Vergleich zwischen gleichartigen Dokumenten

einen zusätzlichen Impuls für die Interpretation im Distant Reading liefern. Gleichzeitig

kann gesagt werden, dass die Modellierung von Texten in einer Graphdatenbank alle

benötigten Voraussetzungen für die schnelle Ableitung einfacher und komplexer Se-

quenzen in unübertroffener Klarheit und mit hoher Flexibilität schafft. Die Kombination

beider technologischer Komponenten in einer leicht erweiterbaren Umgebung ermög-

licht eine weitere experimentelle, datengestützte und theoriegeleitete Optimierung der

Interpretierbarkeit der Maße, untersuchten Dokumente und Korpora. Hierin zeigt sich,

dass nicht nur eine technische, sondern auch eine methodische Erweiterbarkeit gegeben

ist.

172

Kapitel 4 Modellerweiterungen und komplexere Anwendungsfälle

4.5 Aufbau interner Indexstrukturen für lexikalische

Ähnlichkeit

Der Zugriff auf Wörter, Personen und andere Objekte in der Graph-Datenbank über Zei-

chenketten ist ein wichtiger Aspekt der Interaktion mit den Daten. Kadmos konfiguriert

Titan so, dass für diejenigen Properties, in denen Stringwerte gespeichert sind, ein exter-

ner Volltextindex verwendet wird. Über diesen ist es zum Beispiel möglich, eine trunkierte

Suche im Stil von „

Καδµ

*“ zum Finden aller Einträge mit diesem Präfix durchzuführen.

Ein externer Index eignet sich grundsätzlich auch für unscharfe Suchen, wie sie etwa bei

Rechtschreibkorrektur-Vorgängen auftreten. Diese können bei der Textnormalisierung

notwendig werden, etwa um Texterkennungs-Fehler automatisch zu beheben. Das Finden

lexikalisch ähnlicher Wörter ist jedoch prinzipiell ein „lokales“ Problem, für das nicht

unbedingt ein globaler externer Index aufgerufen werden muss.

Beispielhaft für eine Reihe solcher lokaler Index-Mechanismen soll hier demonstriert

werden, wie die Editierdistanz (im Sinne der Levenshtein-Distanz

) mittels einfacher

Konstrukte direkt in der Property-Graph-Datenbank umgesetzt werden kann.

Die Editierdistanz zweier Wörter ist die minimale Anzahl an einzeln und sequenziell

ausgeführten Buchstabenlöschungen, -einfügungen und -ersetzungen, durch die sie

ineinander überführt werden können. Für zwei gegebene Wörter kann sie sehr effizient

mittels dynamischer Programmierung ermittelt werden. Für den Abgleich eines Wortes

mit einem großen Lexikon ist eine auf paarweisen Vergleichen beruhende Suche nach

ähnlichen Wörtern nicht praktikabel

Zum schnellen Auffinden ähnlicher Wörter müsste eine „mutierte“ Umgebung für alle

bekannten Wörter geschaffen werden. Das bedeutet konkret, dass eine Speicherung

aller Realisierungen von (wiederholter) Einfügung, Löschung und Vertauschung mit

Verweis auf das Originalwort durchzuführen wäre. Es ist leicht einzusehen, dass damit

der benötigte Speicherplatz enorm groß ist, und durch die Einfügungsoperation in jedem

Fall eine Begrenzung auf

Mutationsschritte nötig ist, um eine endliche Datenmenge zu

erhalten.

nach bereits in [

Lev66

] skizzierten Überlegungen zu fehlertoleranten Binärcodes für die Datenübertra-

gung

auch wenn sie sich über ein Pruning nach passenden Wortlängen und ggf. die Nutzung transitiver

Eigenschaften der Editierdistanz in begrenztem Umfang beschleunigen lässt

173

4.5 Aufbau interner Indexstrukturen für lexikalische Ähnlichkeit

Im FastSS-Algorithmus [

BHS07

] wird eine Umgebung nur durch Löschoperationen ge-

bildet. Diese sind prinzipiell (in FastSS über ein Dictionary) rückverfolgbar und ergeben

so eine Einfüge-Operation, über die in Richtung eines existierenden Wortes navigiert

werden kann. Durch die Natur von Löschungsoperationen ergibt die so erzeugte Daten-

struktur einen (nicht unbedingt zusammenhängenden) gerichteten azyklischen Graphen.

Diese Graphenstruktur wird im Papier zu FastSS nicht explizit erwähnt, im Rahmen dieser

Arbeit soll die Datenstruktur aber im Folgenden als (Property-)Graph beschrieben werden.

Die Implementierung einer solchen Indexstruktur erfolgt direkt

in der Graphdaten-

bank über „Hilfsknoten“, ähnlich der in [

RN11

] als „represented [...] endogenous to the

graph as an embedded tree“ beschriebenen Zugangsform. Abbildung 4.17 zeigt, wie die

„Löschungsgraphen“ zweier ähnlicher Wörter verbunden sind.

Abbildung 4.17: Die Löschungsgraphen der Tiefe 2 für suchen und suppen

enthalten einen gemeinsamen Knoten

In den folgenden Beispielen wurden die eine Million häufigsten Wörter des deutschen

Wortschatzes (entsprechend des Datensatzes

deu_words_1m

aus[

QFH12

]) mit ihren Umge-

bungen der Löschungstiefe

k = 3

in Form eines Property-Graphen repräsentiert. Wörter,

die aus mehr als 20 Buchstaben bestehen, wurden dabei nicht berücksichtigt. Die Ver-

teilung der Wortlängen in der Wortliste ist in Abbildung 4.18 auf der nächsten Seite

abgetragen.

Trotz der Beschränkung auf die Abbildung von Löschoperationen werden in der Daten-

und durch die persistente Speicherung jederzeit ohne zusätzliche Lade- oder Indizierungszeiten zu-

greifbar

174

Kapitel 4 Modellerweiterungen und komplexere Anwendungsfälle

5 10 15 20 25 30 35 40 45

20 000

40 000

60 000

80 000

Wortlänge:

Wortfrequenz

Abbildung 4.18: Wortlängenverteilung im untersuchten Wörterbuch

bank viele Hilfsknoten

erzeugt – je länger das Wort umso mehr Knoten ergeben sich.

Die Anzahl der Knoten in der Umgebung lässt sich über einfache Abfragen ermitteln

1 @graph.v(string:"bundesinnenminister").out.count # => 18

2 @graph.v(string:"bundesinnenminister").out.out.uniq.count # => 152

3 @graph.v(string:"bundesinnenminister").out.out.out.uniq.count # => 801

Das Wort

bundesinnenminister

enthält selbst nur 19 Zeichen. Insgesamt müssen jedoch

15726 Zeichen gespeichert werden. Dieses Wort teilt sich bei

k = 3

keinen einzigen

Hilfsknoten mit anderen Wörtern, z. B.

bundesfinanzminister

(Levenshtein-Abstand

Diese große und zudem „dünn“ mit ähnlichen Wörtern besetzte Umgebung für lange

Wörter schlägt sich insgesamt negativ auf die Speichereffizienz nieder. Während die

Wortliste als reiner Fließtext (Plaintext) nur ca. 14 MB groß ist, benötigt die Datenbank

ganze 8310 MB Plattenplatz – ein Faktor im Bereich von 600.

Ist die Indexstruktur vollständig aufgebaut, kann sie zur Abfrage von Ähnlichkeiten ge-

nutzt werden. Abbildung 4.19 auf der nächsten Seite zeigt entsprechende Beispielpfade im

Graphen. Dabei ist die Editierdistanz nicht in allen Fällen gleich der minimalen Pfadlänge

zwischen zwei Wörtern, da eine einzelne Ersetzungsoperation für einen Buchstaben im

Graphen über zwei Traversierungsschritte abgebildet wird. Jedoch kann dieser Umstand

während des Abfragens kompensiert werden.

Über sogenannte Side Effects der Traversierungsroute kann sich jeder Traverser die String-

werte des letzten Ursprungsknotens einer Löschkante merken und bei der anschließen-

diese besitzen im Gegensatz zu Wortknoten keine weiteren Properties und lassen sich so von diesen

einfach unterscheiden

Zur Effizienzsteigerung sollte die Zahl der Traversierungen noch durch den Aufruf von

.uniq

zwischen

den einzelnen Traversierungsschritten begrenzt werden.

175

4.5 Aufbau interner Indexstrukturen für lexikalische Ähnlichkeit

Abbildung 4.19: Distanzberechnungen bei der Traversierung des Löschgraphen

den entgegengesetzten Traversierung mit dem neuen Stringwert vergleichen, um zu

ermitteln, ob eine Ersetzungsoperation zu verzeichnen ist.

Im Beispiel kann von

nabe

aus

rabe

mit Abstand

erreicht werden (bei der „Aufwärts-

traversierung“ wird die Ersetzungsoperation erkannt). Zu

aber

hingegen werden zwei

vollständige Traversierungsschritte benötigt, die sich nicht zu einer Ersetzungsopera-

tion kombinieren lassen, weshalb die Distanz

beträgt. Eine Traversierung von

aber

erreicht

bär

auf zwei verschiedenen Pfaden. Der mit den insgesamt geringeren Kosten

berücksichtigt die mögliche Ersetzungsoperation und bestimmt eine Distanz von 2.

Die Abfrage aller im Wörterbuch enthaltenen Begriffe nach Levenshtein-Ähnlichkeit

zu einem gegebenen Suchwort kann nun ganz einfach durch Bildung aller Löschungs-

varianten bis zur entsprechend gewünschten maximal zulässigen Löschungsanzahl

geschehen, wobei für diese und das Suchwort selbst eine Entsprechung im persistierten

Löschgraphen des Wörterbuchs gesucht wird. Von dort aus kann entsprechend des obigen

Beispiels weiternavigiert werden. In diesem Vorgang sind viele Optimierungen möglich,

etwa über den Abbruch von Traversierungen, die einen bereits vorher erreichten Knoten

mit gleicher oder größerer bisher akkumulierter Editierdistanz erreichen. Um die Anzahl

der frühen Abbrüche zu maximieren kann dann auch die Reihenfolge der abgefragten

Löschungsvarianten optimiert werden, was jedoch nicht Gegenstand dieser Arbeit sein

soll.

Über die hier vorgestellte, in die Datenbank integrierte Zugriffsstruktur für Stringähnlich-

keit können Verfahren genutzt werden, in denen sowohl Dokumentdaten (wie beispiels-

weise Kookkurrenz-Statistiken) als auch lexikalische Ähnlichkeiten verwendet werden –

Alternativ kann eine Kantenproperty eingeführt werden, die zu jeder Löschung die Position speichert.

also geringer Levenshtein-Distanz

die kleiner oder gleich der bei der Initialisierung des Löschgraphen verwendeten sein muss

176

Kapitel 4 Modellerweiterungen und komplexere Anwendungsfälle

so wie z. B. die automatische Taxonomieerzeugung nach [

TKG15

]. Generell ist natürlich

anzumerken, dass für Probleme, in denen auch eine approximierte Ergebnismenge für

gegebene Suchwörter und Editierdistanzen ausreichend ist, eine Vielzahl deutlich effi-

zienterer Techniken (außerhalb von graphenförmigen Indexstrukturen) existiert, z. B.

[

MS04

], wo mit Hilfsmitteln aus der Automatentheorie gearbeitet wird. Grundsätzlich ist

die Option, solche zusätzlichen Verknüpfungspfade zwischen Elementen der Fachdomä-

ne automatisch und ohne Technologiebrüche in der Datenbank nutzen zu können, ein

Vorteil für die Flexibilität des Systems.

4.6 Das Graphenparadigma als interdisziplinäres

Kommunikationsmittel

Die bisher vorgestellten Verfahren nutzen Property Graphs zur Abbildung zentraler Mo-

dellparameter der jeweiligen Anwendungsdomäne. Darauf aufbauende Arbeitsschritte,

wie Filterung, Transformation und Auswertung, stützen sich zum großen Teil auf Abfra-

gen der Graphdatenbank. Um Neuentwicklungen auf dieser Basis so zu gestalten, dass

sie nicht als Black Box (wie in Abschnitt 2.1.2 auf Seite 21 beschrieben) wahrgenommen

werden, ist es wichtig, bei den Nutzern des Systems ein Verständnis für seine genaue

Funktionsweise herzustellen. Die in diesem Buch schon häufig angeklungene Diversität

von Anwendungsfällen und -domänen sowie Nutzergruppen erschwert es, eine allge-

meingültige Einführung mit geeigneten Analogien, Abstraktionen und Erklärungen zu

geben.

Grundsätzlich sollte zudem nicht nur das einseitige Ziel verfolgt werden, ein Verständnis

für die technischen Aspekte des Datenmodells bei den Nutzern zu fördern. Zusätzlich

muss insbesondere auch ein umfangreicheres Verständnis der Domäne auf Seiten der

Informatiker erreicht werden. Doerr beschreibt in [

Doe03

] die folgende Beobachtung als

Arbeitshypothese für die Entwicklung des CIDOC CRM:

The problems computer scientists and system implementers have in comprehending

the logic of cultural concepts seems to be equally as notorious as the inability of the

cultural professionals to communicate these concepts to computer scientists.

Nur wenn diese Hürde überwunden ist, kann sichergestellt werden, dass geeignete Mo-

dellierungsansätze für die Abbildung der aus fachwissenschaftlicher Sicht wichtigen

177

4.6 Das Graphenparadigma als interdisziplinäres Kommunikationsmittel

Zusammenhänge in die Entwicklung des Werkzeugs einfließen können. Ein Lösungs-

ansatz ist die iterative Entwicklung eines gemeinsamen Modells aus wohldefinierten

und leicht verständlichen Bausteinen – wie sie im Fall von Property-Graphen durchaus

gegeben sind.

Zu Beginn der Entwicklung (auf den Ebenen des Beschreibungsmodells und des Daten-

modells nach [

Fec16

]) müssen technisch und inhaltlich passende Modelle gefunden und

formalisiert werden. Für solche Aufgaben hat sich in der angewandten Informatik die

Domänenanalyse als wohlverstandener Prozess etabliert. Dort wird üblicherweise mit

etablierten Werkzeugen, etwa dem ERM gearbeitet, das sich (wie bereits beschrieben)

auch für die Planung von Graph-Datenbanken eignet.

Das traditionelle Software-Engineering betrachtet die Herausarbeitung eines Domänen-

modells oft als komplett vorgelagerten Schritt. In [

Sch99

] z. B. wird sie (in Analogie zu

Beschreibungen der Domain Analysis aus dem englischsprachigen Raum) wie folgt charak-

terisiert:

[...] im Rahmen einer Domänenanalyse wird vor der Entwicklung von wieder-

zuverwendenden Komponenten eine allgemeine Analyse der betrachteten

Problemdomäne vorgenommen, um Struktur- bzw. Verhaltensanalogien und

-varianten innerhalb einer Domäne zu identifizieren.

Die Ziele der Domänenanalyse sind weiterhin sehr relevant. Seit der Jahrtausendwende

haben sich jedoch im Software Engineering viele neue und agilere Methoden etabliert,

die häufig auf vorgelagerte Domänenenalysen verzichten. Ohne eine dieser Methoden

hier speziell herausheben oder bevorzugen zu wollen, bleibt festzustellen, dass der in

dieser Arbeit präferierte prototypische und interdisziplinäre Entwicklungsansatz sowohl

von frühzeitigen Modellierungsüberlegungen als auch von kurzen, agilen und iterativen

Entwicklungszyklen profitiert.

Um die Flexibilität der Domänenanalyse zu erweitern, soll sie um die konsequente Inter-

aktion mit realen Daten und Problemen ergänzt werden. Dies trägt auch der häufigen

Beobachtung Rechnung, dass es sich in der Praxis sehr schwer gestaltet, ausschließlich

durch abstrakte Betrachtungen die eigenen Denkmodelle und Arbeitsweisen zu externali-

sieren, zu kommunizieren und adäquat abzubilden.

Ein unter anderem auch in [

SM99

] verwendetes Zitat aus [

MD85

] fasst diesen Effekt gut

zusammen:

178

Kapitel 4 Modellerweiterungen und komplexere Anwendungsfälle

We believe that experts cannot reliably give an account of their expertise: We have to

exercise their expertise on real problems to extract and model their knowledge.

Wie schon besprochen, kann dieser Vorgang kein einseitiger Prozess des „Abfragens“

von Fachwissen sein. Stattdessen sollte eine gemeinsame Arbeit am Daten- und Domä-

nenmodell angestrebt werden. Dafür ist es jedoch notwendig, dass die verwendeten

Modellierungmethoden und -konstrukte für alle Parteien transparent sind. Bezogen auf

die hier beschriebenen Technologien ist ein Verständnis des Modells besonders wichtig,

weil sich alle Analyseergebnisse, Filterungsvorgänge, Statistiken und Rankings auf das

Datenbank-Schema und auf Datenbank-Abfragen zurückführen lassen.

Die in Apache TinkerPop integrierte Abfragesprache „Gremlin“ nutzt die Analogie einer

„agentenbasierten“ Abfrage zur Verdeutlichung veränderlicher lokaler Abfragekontexte,

Abfrage-Stacks und Aggregierungsmöglichkeiten. Dabei werden die Traversers des Ab-

frageprozessors, vgl. [

Rod15

], im Dokumentationsmaterial durch die für die Sprache na-

mensgebenden Gremlins repräsentiert, etwa im angebotenen „30-Minuten-Tutorial“

Gremlins sind kleine agile Fabelwesen mit der Fähigkeit zur spontanen Replikation. Sie

sind seit dem Erscheinen eines gleichnamigen Spielfilms Mitte der 1980er Jahre Teil

der Populärkultur. Die Apache Foundation nutzt das Bild von sich koordiniert auf Graph-

strukturen bewegenden und aufsplittenden Gremlin-Horden zur Veranschaulichung der

grundlegenden Funktionsweise des TinkerPop-Stacks und darauf ausgeführter Abfra-

gen.

Auch in [

RRS11

] wird auf die Bedeutung von Metaphern hingewiesen, die wichtige Bei-

träge für die Kommunikation von Programminterna an die Nutzer einer Software leisten

können. Sie erhöhen deren Fähigkeit zur qualifizierten Nutzung des Systems deutlich.

Die Herausbildung eines passenden „Mentalen Modells“, welches der Nutzer von ei-

nem komplexen System oder Prozess aufbaut, kann durch die Nutzung von Analogien

zu Bekanntem und durch passende Abstraktionen bei der Vermittlung der jeweiligen

Grundeigenschaften und -funktionen unterstützt werden.

Die Nutzung der Gremlin-Metapher eignet sich für die grundsätzliche Beschreibung von

Traversierungsmechanismen auf Property-Graph-Datenbanken, etwa von Vergleichen

zur Ausführungsstrategie breadth-first im Vergleich zu depth-first oder von der Einbin-

dung eines Lookahead, der Nutzung von Property-Filtern oder von Indexabfrage. Für

http://tinkerpop.apache.org/docs/3.2.0-incubating/tutorials/getting-started/

179

4.6 Das Graphenparadigma als interdisziplinäres Kommunikationsmittel

jeden Schritt und jede lokale Umgebung der Abfrageausführung kann die Abstraktion auf

verständlicher Ebene erfolgen: „Was tun die Gremlins in dieser Situation?“. Die Zahl „be-

teiligter“ Gremlins kann auch als Maßeinheit für die über die Eventsource-API mögliche

quantitative Rückmeldung zum Bearbeitungsstand einer Abfrage verwendet werden und

dadurch ein Gefühl für die mit der Anfrage verbundenen Rechenaufwände vermitteln.

Unter Nutzung dieser Herangehensweise für didaktische Zwecke und als generelle in-

teraktive Testumgebung wurde „Gremlin’s Property Graph Lab“ erstellt, dessen Oberfläche

in Abbildung 4.20 zu sehen ist. Es handelt sich bei der Software um eine webbasierte

Umgebung zur direkten Interaktion mit einem Property-Graph-System. Das Graph Lab

ist dabei nicht auf Graphen nach dem Dokumenten-Schema von Kadmos beschränkt,

sondern kann mit beliebigen Daten arbeiten, sobald diese im Property-Graph-Modell

vorliegen. Damit ist es z. B. grundsätzlich vergleichbar mit „Gremlin-Bin“

, bietet aber

deutlich tiefergehende Funktionen.

Gremlin-Illustrationen: ± Apache Software Foundation/Apache TinkerPop

Gezeichnet von Ketrina Yim, Abdruck mit Genehmigung

Abbildung 4.20: Oberfläche von „Gremlin’s Property Graph Lab“ mit

Beispielgraph aus den Daten von [Zac77]

Die Bündelung verschiedener Funktionen zur visuellen Analyse von und Interaktion mit

den Graphdaten qualifiziert das Graph Lab als Werkzeug zur Vermittlung der Grundlagen

http://gremlinbin.com/

180

Kapitel 4 Modellerweiterungen und komplexere Anwendungsfälle

von Property-Graphen: Es ist dabei auf die Exploration kleiner übersichtlicher Beispiel-

netzwerke ausgelegt. Diese können allgemeiner Natur sein (Verlinkungsstrukturen, ein

soziales Beziehungsnetzwerk, Musikstück-Interpreten-Netzwerke usw.) oder sich beim

Schulungs-Einsatz in e-Humanities-Projekten speziell auf die Fachdomäne der Anwender

beziehen. Dabei sind reale Daten (oder konsistente und exemplarische Ausschnitte da-

von) erfahrungsgemäß besser geeignet als künstliche Beispiele, wobei auch diese zum

Erkenntnisgewinn beitragen können, wenn sie gemeinschaftlich erstellt werden.

Für das gewählte Beispielnetzwerk zeigt das System eine Graphenvisualisierung

, er-

gänzt um einen visuellen Überblick über Knoten- und Kantenproperties und die Angabe

ihrer Zusammensetzung, aggregiert nach Werten. Per Klick auf einen Wert wird eine

entsprechende Abfrage erzeugt

, in ein Eingabefeld eingetragen und ausgeführt. Die Ab-

frage kann auch jederzeit manuell verändert werden. Anfragen können dabei Ergebnisse

in verschiedenen Antwort-Datentypen zurückliefern, wie in Abbildung 4.21 dargestellt

ist.

Abbildung 4.21: Abfrage- und Ergebnistypen in „Gremlin’s Property Graph Lab“

Besteht die Ergebnismenge aus Knoten oder Kanten, werden diese im Graphen hervorge-

hoben. Mit dem planarisierten Graphen kann auch interagiert werden: Eine Inspektion

von Instanzdaten kann im Graphen durch Klicken auf das jeweilige Element erfolgen und

durch Klicken und Ziehen mit der Maus ist es möglich, Knoten zu bewegen und so mit

dem Layouting-Algorithmus zu interagieren.

ebenfalls über Sigmajs und [JVHB14]

Auch hier wird die in Kadmos genutzte Abfragesprache Pacer verwendet, die eng mit Gremlin ver-

wandt ist, und verglichen mit dieser noch weniger Sonderzeichen benötigt. Zusätzlich besteht die

Möglichkeit zur Mischung von Abfragerouten mit Ruby-Code.

181

4.6 Das Graphenparadigma als interdisziplinäres Kommunikationsmittel

Eine solche Umgebung vermittelt nicht nur allgemeine technische Grundlagen, sondern

ermöglicht insbesondere ein schnelles Feedback für die ersten Schritte bei der prototypi-

schen Entwicklung neuer Verfahren. Es gibt zudem Einblicke in die einzelnen relevanten

Elemente sowie größeren Zusammenhänge der betrachteten Domäne. Damit lassen sich

Verarbeitungsstrategien, zu erwartende Ergebnisse und damit verbundenes Fehlerpoten-

tial nicht nur benennen oder postulieren, sondern auch erkennen und visuell aufzeigen.

In der Praxis hat sich gezeigt, dass auch komplexe Abfragen durch diese Form der Ver-

anschaulichung kommunizierbar werden und damit gegenüber Fachwissenschaftlern

alternative Berechnungsweisen qualifiziert erörtert oder diese gleich gemeinsam mit

ihnen konzipiert werden können.

Property-Graphen und ihre Traversierungsmechanismen sind leicht verständlich. Die

gemeinsame Entwicklung von Verfahren auf dieser Basis regt zum Mitdenken und Mitge-

stalten an und ersetzt vermeidbare Black Boxes.

182

Kapitel 5

Schlussbetrachtungen

After all is said and done there is usually more said than done.

US-Amerikanisches Sprichwort

184

Kapitel 5 Schlussbetrachtungen

5.1 Zusammenfassung

In den vorangegangen Kapiteln wurde zunächst die Anwendungsdomäne der textbasier-

ten e-Humanities als ein aktuelles und in vielerlei Hinsicht relevantes Forschungsfeld für

die Informatik vorgestellt. Ein Überblick über bestehende Arbeitsweisen, Fragestellungen

und Werkzeuge sowie ein Abriss über aktuelle Technologien zur Datenspeicherung und

Abfrage haben verdeutlicht, dass die Nutzung von Graphdatenbanken zur Textreprä-

sentation in diesem Anwendungsgebiet zwar bisher nicht systematisch verfolgt wurde,

aber dennoch ein nicht geringes wissenschaftliches wie technisches Potential birgt. Für

das neuartige Recherchesystem Kadmos wurde auf dieser Grundlage ein für die Kor-

pusrepräsentation geeignetes, für Text-Mining-Aufgaben gut einsetzbares und zudem

leicht erweiterbares Datenmodell konzipiert. Auf diesem aufsetzend wurde eine ska-

lierbare und flexible Systemarchitektur implementiert, mit der leichtgewichtige und

reaktive Services in einem prototypzentrierten Entwicklungsprozess umgesetzt werden

können. Mit diesem Basissystem wurden Verfahren für verschiedene Recherchevorgän-

ge, wie eine facettierte und konzeptbasierte Suche und die explorative Erschließung

von Vokabular entwickelt und vorgestellt. Ein letzter Schwerpunkt lag dann auf den

Erweiterungsmöglichkeiten, die sich aus der Nutzung von Graphdatenbanken und dem

Basissystem ergeben.

An dieser Stelle soll resümierend noch einmal ein Rückbezug auf die in Abschnitt 1.2 auf

Seite 9 vorgestellten Forschungsfragen erfolgen:

Es konnte gezeigt werden, dass die kombinierte Verwaltung von Texten und Metadaten

in einer bislang in der Literatur so nicht beschriebenen persistenten graphbasierten

Repräsentationsform tatsächlich ein hohes Maß an Flexibilität für den textbezogenen

Forschungsprozess bietet. Die Analyse diverser lokaler Kontexte interessanten Vokabu-

lars wird ermöglicht, während Ergebnismengen von Anfragen beliebig nach ebensolchen

Kontexten unter Berücksichtigung beliebiger Metadaten gefiltert und sortiert werden

können. In Anfragen besteht zudem die Möglichkeit, beliebige neue „Verbindungen“

zwischen Datenelementen zu nutzen, die sich implizit aus der Traversierung des Graphen

(oder aus externen Indexmechanismen) ableiten lassen. Nach einmaligen Aufwänden für

den Import eines Korpus können zunächst Standardabfragen verwendet werden. Zusätz-

liche Aufwände entstehen erst wieder, wenn das System um forschungsfragenspezifische

Funktionalität ergänzt werden soll. In diesen Fällen ist eine Kenntnis des internen Daten-

modells und der Funktionsweise des Systems allerdings unumgänglich. Diese Arbeiten

185

5.1 Zusammenfassung

sollten daher stets in gemischten Teams unter Berücksichtigung des aktuellen Stands

der Forschung zur interdisziplinären Arbeitsweise, etwa nach [

RS16

], vorgenommen

werden.

Es wurde weiterhin demonstriert, dass die Nutzung eines Graphdatenbanksystems eine

geeignete Basis für ein skalierbares webbasiertes Textrecherchewerkzeug, welches auch

mit großen Datenmengen umgehen kann, darstellt. Anfragen können parallel zueinander

geschehen und der aktuelle Zustand des Systems wird direkt in den Abfrageergebnissen

reflektiert. Zwischenergebnisse können unmittelbar und asynchron zurückgemeldet

werden. Verschiedene interaktive webbasierte Recherche- und Visualisierungswerkzeuge

wurden auf Grundlage dieser Technologie erstellt.

Anhand vieler Beispiele konnte gezeigt werden, dass sich durch die Modellierung der For-

schungsdaten in Graphenstrukturen eine gute Ausgangslage für Verfahren sowohl quan-

titativer als auch qualitativer Natur bieten und dass sich eine Transition zwischen beiden

Sichtweisen – mithin zwischen Aggregation und Detailansicht – problemlos realisieren

lässt. Insbesondere für eine explorative Datenanalyse bieten sich vielfältige Möglich-

keiten statistisch unterstützter Navigation in Textkollektionen. Da das Property-Graph-

Modell grundsätzlich mit sehr einfachen Konstrukten beschrieben werden kann, ge-

lingt es, darauf aufbauende Verfahren verständlich zu kommunizieren. Die Beschreibung

der Forschungsprozesse auf der Ebene von Abfragearten und Traversierungsstrategien

ermöglicht eine präzise Dokumentation (und kritische Betrachtung) des Forschungspro-

zesses.

Ferner konnte gezeigt werden, dass sich viele bekannte Methoden der automatischen

Sprachverarbeitung auch in Systemen, die Graphdatenbanken zur Textrepräsentation

nutzen, einsetzen lassen. Im Bereich des Text-Mining und des Information Retrieval ergeben

sich viele neue Ansatzpunkte für alternative Verfahren. Wichtig ist hier noch einmal zu

erwähnen, dass die Effizienz der so erstellten Verfahren wesentlich von ihrer „Lokalität“

abhängt. Vorberechnungsfreie Statistiken, die globale Informationen großer Korpora zu-

sammenfassen, können nicht in interaktiven Anfrageszenarien eingesetzt werden. Daher

dient die vorgestellte Technologie stets nur zur Ergänzung der bestehenden Werkzeugpa-

lette, nicht als Ersatz für etablierte und meist stark optimierte traditioneller arbeitende

Werkzeuge.

Schließlich wurde gezeigt, dass das Spektrum abbildbarer Untersuchungsgegenstände

tatsächlich weit über reine Textdaten hinausreicht. Entsprechende Modellerweiterungen

186

Kapitel 5 Schlussbetrachtungen

wurden anhand praktischer Fragestellungen vorgestellt. So wurden u. a. verschiedene

Zugriffsstrukturen zu Daten und Abfragemodi für Netzwerkanalysen realisiert. Anwen-

dungsdomänen wie Philologie, Geschichte, Literatur- und Sozialwissenschaft wurden

exemplarisch betrachtet. Durch die Nutzung eines vorhandenen Basissystems und einer

mit vielen frei verfügbaren Werkzeugen ausgestatteten Basistechnologie gelingt es, die

in erweiterten Anwendungsfällen entstehenden zusätzlichen Aufwände vergleichsweise

gering zu halten.

Zur Kontrastierung dieser insgesamt sehr positiven Auswertung im Bezug auf die initia-

len Forschungsfragen soll nun noch einmal abschließend auf die bisher identifizierten

Problempunkte eingegangen werden, die als bislang noch ungelöste Komplikationen

oder als Hürden für die Adaption angesehen werden müssen.

5.2 Technologische und methodische Grenzen

Die größten technischen Limitationen ergeben sich aus der Natur echtzeit-abfragbarer

Graphdatenbanken und der momentan noch vorhandenen Abgrenzung zu Graphprozes-

soren. Globale Analysen können in Graphdatenbanksystemen nicht effizient betrieben

werden, wie z. B. in [

CAH12

] gezeigt wird, wo es dazu diplomatisch heißt: „[...] the use

cases with operations requiring local traversals in a large network are more suitable for the tested

systems than those requiring traversals of the whole graph structure.“.

Die einzelnen vorgestellten Verfahren enthalten noch keine „Mikro-Optimierungen“,

wie Caching, Indexanpassungen, Datenkompression oder statistische Abschätzungsheu-

ristiken. Deswegen sind die genauen Grenzen des Systems hinsichtlich der in „Echtzeit“

abfragbaren Korpusgrößen mit steigender „Globalität“ der Abfragen nicht abschätzbar.

Was sich jedoch schon jetzt sagen lässt, ist, dass die bisherigen, auf einzelnen Type-Token-

Traversierungen beruhenden Möglichkeiten zur Volltextrückgabe großer Textstellen

(wie ganzer Kapitel) zu langsam und ineffizient sind. Eine redundante Speicherung der

größeren Textabschnitte direkt in den Strukturknoten erscheint (zumindest bei großen

Korpora) nicht sinnvoll. Vorteilhafter wäre hier wohl die Nutzung eines dafür ausgelegten

externen Systems, wie z. B. einer CTS-Instanz, welcher nur eine Referenzierung der

gewünschten Textstelle per URN übergeben werden muss, um darüber effizient beliebig

lange Abschnitte an Volltext auszulesen.

187

5.2 Technologische und methodische Grenzen

Die URNs können in Kadmos leicht aus der modellierten Struktur rekonstruiert werden.

Bisher ist dies jedoch nur für „kanonische Texte“ sinnvoll umsetzbar. Ein Korpus aus

Forentexten, unedierten Briefsammlungen oder Ähnlichem könnte so nicht ohne (teils

erhebliche) Aufwände in ein geeignetes Referenzierungsschema gebracht werden. Als

Alternative wäre auch die Rekonstruktion einzelner oder mehrere XPath-Ausdrücke aus

der in Kadmos gespeicherten Struktur denkbar, mit deren Hilfe unter Nutzung einer

XML-Datenbank die Volltextrückgabe geschehen könnte. Letztlich würde ggf. sogar eine

einfache Hinterlegung der Texte in einer Verzeichnisstruktur als Plaintext-Dateien un-

terschiedlicher Granularität ausreichen. Fakt ist, dass für dieses Problem (auch mangels

Anwendungsfall) bisher keine Lösung umgesetzt wurde.

Es ist allgemein wichtig, an dieser Stelle noch einmal darauf hinzuweisen, dass Kadmos

keine umfangreiche Sammlung vorgefertigter Services anbieten möchte, wie sie etwa in

der CLARIN-Infrastruktur vorgehalten werden. Die eigentliche Stärke liegt in der Möglich-

keit, mit geringem Aufwand und hoher Flexibilität neue maßgeschneiderte Services auf

Basis der zuvor in Graphen-Form erfassten Korpora in einem iterativen und idealerweise

interdisziplinären Prozess erstellen zu können.

Auf der Basis des hier vorgestellten, hauptsächlich auf Backend-Aspekte ausgerichteten

Systems wurden bereits erste Arbeiten Dritter durchgeführt, so z. B. [

CJBS16

]. Dabei haben

sich bisher keine konzeptionellen Schwächen oder technischen Hürden gezeigt.

Eine methodische Grenze ergibt sich eventuell aus der Art der Formalisierung, die das

System benötigt. Dazu argumentieren van Zundert und Kollegen in [

ZAB

], dass es

neben der durch Digitalisierung erzwungenen Formalisierung noch viele weitere Formen

gibt, die zum Teil schon lange in den Geistes- und Sozialwissenschaften verwendet werden.

Sie stellen fest:

[...] formalisation can be supported by computation, if we recognise formalisation as

an integral part of humanities practice and not as a feature driven only by computa-

tion.

Es muss sich somit erst noch in der Praxis zeigen, ob es mit Kadmos gelingt, die ganze

Bandbreite möglicher Konzeptualisierungen, Abstraktionen, Modelle und Formalismen

abzubilden, die aus den Fachwissenschaften heraus entwickelt werden. Eine interdiszi-

plinäre und forschungsfragengeleitete Entwicklung kann von der explorativen Heran-

gehensweise sicher profitieren. Der Abgleich mit bestehenden Theorien-Frameworks

188

Kapitel 5 Schlussbetrachtungen

wird jedoch nicht ohne Änderungen oder entsprechende Ergänzungen des Werkzeugs

geschehen können.

Das hier für die Arbeit mit Kadmos beschriebene, hauptsächlich experimentelle Vor-

gehensmodell muss – auch im Sinne der e-Sciences – künftig noch um komfortablere

Möglichkeiten zur Herstellung von Reproducible Research

ergänzt werden. Für diese und

weitere auf einen einheitlichen und offenen Forschungsprozess ausgerichtete Erweite-

rungen muss stärker als bisher eine Absprache und technologische Kompatibilität mit

den einschlägigen Infrastrukturinitiativen eingeplant werden.

Aus methodischer Sicht muss auch ganz allgemein der Umgang mit Graphen als Untersu-

chungsmittel oder -gegenstand in den e-Humanities weiter kritisch hinterfragt werden.

Die Validität von Aussagen, die sich aus einer (manuellen oder algorithmisch unterstütz-

ten) Interpretation von graphbasierten Visualisierungen ableiten, kann nicht pauschal

für jeden Anwendungsfall bestätigt werden. Nicht nur das visuelle Abbild, sondern auch

die Datenbasis, der Entstehungsprozess, die Identität der repräsentierten Objekte und

alle dabei getroffenen Annahmen müssen in die Betrachtung einbezogen werden. Wenn

im Zuge einer Netzwerkanalyse dann z. B. Zentralitätsmaße eingesetzt werden, muss

sichergestellt werden, dass diese auf die vorliegende Art von Daten und Netzwerkart über-

haupt anwendbar sind. Insgesamt muss bei allen beteiligten Forschern eine ausreichende

Network Literacy geschaffen werden, vgl. dazu die Broschüre [CY15].

Hier existiert noch weiterer Forschungsbedarf, insbesondere zu Theorien für die Katego-

risierung und Interpretation von Graphen und Netzwerken sowie von Verfahren, die auf

dieser Datengrundlage operieren. Für die Domäne sprach- und wortbezogener Netzwerke

wurde in diesem Zusammenhang z. B. mit [

Zwe16

] bereits ein erster Versuch unternom-

men. Auf Seiten der Graphinduktion textbasierter Netzwerke wird z. B. in [

MT04

] als

erster und wichtigster Schritt einer technischen Umsetzung aufgeführt: „Identify text

units that best define the task at hand, and add them as vertices in the graph.“ Das Modell von

Kadmos konzentriert sich hingegen auf kleinteilige generische Einheiten, aus denen sich

später größere „Objects of Interest“ zusammensetzen lassen. Ob beide Herangehenswei-

sen im Sinne einer nachgelagerten Netzwerkinterpretation äquivalent sind, ist noch zu

klären.

vgl.

http://reproducibleresearch.net/

, wo der US-amerikanische Statistiker Dave Donoho wie folgt

zitiert wird: „An article about computational science in a scientific publication is not the scholarship itself, it is

merely advertising of the scholarship. The actual scholarship is the c omplete software development environment

and the complete set of instructions which generated the figures.“

189

5.3 Ausblick

Die hier kurz zusammengetragenen offenen Punkte sind nicht zuletzt auch Ansporn für

weitere Entwicklungen. Ein Abriss über mögliche künftige Entwicklungen der in diesem

Buch beschriebenen Technologie wird im nun folgenden, letzten Abschnitt gegeben.

5.3 Ausblick

Eine besonders wünschenswerte Perspektive für die hier vorgestellten Arbeiten ist die

weitere Öffnung für angrenzende Fragestellungen und Datensammlungen. Durch das

Herausstellen synergetischer Aspekte gelingt es eventuell, Beiträge zur methodischen

Überbrückung einzelner Disziplinen zu leisten. In [Gör11] schreibt Görz:

Mit der Möglichkeit einer einheitlichen semantischen Modellierung von

Daten verschiedener Fachgebiete eröffnen sich auch Perspektiven für die

Bearbeitung hochkomplexer Fragestellungen, die ein einzelnes Fachgebiet

nicht zu leisten vermag.

Entsprechende Erweiterungen in Kadmos müssen zunächst fachwissenschaftlich moti-

viert sein, so dass eine Anknüpfung an bestehende Semantische Modelle und die Um-

setzung von Best Practices im Sinne der Anwender geschieht. Auf dieser Basis kann dann

schrittweise eine Integration verschiedener solcher Erweiterungen in gemeinsames kon-

zeptuelles (und mit praktischen Werkzeugen unterfüttertes) Modell geschehen. Eine

breite Anschlussfähigkeit kann dabei auch durch Im- und Exportschnittstellen geschaffen

werden. Die Anreicherung der JSON-basierten Schnittstelle um Linked-Data-Auszeich-

nungen ist bereits jetzt mittels der in [SLK

14] beschriebenen Technologie möglich.

Im Zuge dieser Erweiterungsstrategie sollten zuallererst Maßnahmen getroffen werden,

die Nutzerbasis zu verbreitern. Dies kann durch die üblichen Wege der wissenschaftlichen

Dissemination geschehen, sollte aber speziell auch Verbreitungswege der e-Humanities

berücksichtigen, etwa die Eintragung von Kadmos in entsprechende Übersichtslisten,

etwa die Werkzeugliste des Projekts TAPoR 3

oder in das DiRT Directory

. Zum Besseren

Verständnis der Nutzungsweisen und ggf. zur Aufdeckung impliziter Anforderungen

kann eventuell eine Untersuchung von Nutzerverhalten anhand entsprechend gestalteter

Nutzeroberflächen in einer öffentlichen Kadmos-Instanz stattfinden. Dadurch wäre die

Basis für eine kritische Analyse des Nutzungsverhaltens, wie sie etwa in [

Gre14

] für das

http://tapor.ca/

http://dirtdirectory.org/

190

Kapitel 5 Schlussbetrachtungen

mittlerweile eingestellte Projekt „MONK – Metadata Opens New Knowledge“

durchgeführt

wurde, gelegt.

Ein längerfristiges Ziel ist eine intensive Verknüpfung von Korpusdaten mit nichttextuel-

len Ressourcen, besonders aus dem Bereichdes Kulturellen Erbes, wie Museumsbeständen,

Archivalien, Fotos, Karten. Dabei ist insbesondere die Verwendung von LOD-Ressourcen

angedacht, von denen entweder passende Untermengen physisch in die Graphdatenbank

integriert werden könnten, oder Kadmos um eine Möglichkeit zur föderierten Abfra-

ge erweitert werden muss, damit die Verknüpfungsinformationen auch als Filter- und

Aggregationskriterium genutzt werden können.

Mit immer größeren betrachteten Datenmengen und immer komplexeren semantischen

Zusammenhängen, die abgebildet werden können, ist zu überlegen, ob eine Erweiterung

des Kadmos-Systems um die Möglichkeit, lang laufende Anfragen in einem zurückge-

stellten (deferred) Verarbeitungsvorgang auszuführen, sinnvoll ist. Dies käme einer Batch-

Verarbeitung nahe, aus deren Ergebnissen dann statische Webseiten, persistierte Da-

tensammlungen (im Graphenmodell oder losgelöst davon) sowie Reporting-Dokumente

erzeugt werden könnten. Hierbei ist speziell auch die Verwendung von Graphprozessoren

vorstellbar, welche für OLAP-Funktionalität optimiert sind. Im Idealfall könnten diese

über die selben Schnittstellen angesteuert werden und die selbe Abfragesprache nutzen,

wie die eingesetzte OLTP-orientierte Graphdatenbank. Hierbei gilt es auch, die allgemei-

ne technologische Entwicklung abzuwarten, und z. B. zu verfolgen, ob sich in diesem

Umfeld Erweiterungen für Property-Graph-Modelle etablieren, die für Anwendungsfäl-

le in Kadmos geeignet sind – etwa das in [

JPT

] vorgestellte Modell, das deklarative

Operatoren zur Datenauswertung und die Verwaltung von sogenannten Graph Collections

unterstützt.

Generell zeigt sich im Umfeld des Graph-Processing ein Trend zur Unterstützung von

Real-Time-Analytics auf großen Datenbeständen, der sich insbesondere durch neue Ent-

wicklungen im Bereich der In-Memory-Datenbanken umsetzen lässt. So können auch kom-

plexere Algorithmen (z. B. fein abgestimmte Empfehlungssysteme) auf skalierbare Weise

implementiert werden, vgl. z. B. [

SJBL16

]. Weitere Leistungsverbesserungen versprechen

Systeme, die zur Datenverarbeitung Graphik-Prozessoren oder programmierbare Logik-

schaltkreise einsetzen, s. z. B. [

FPT14

] und [

DCWY16

]). Der größte Unterschied zwischen

solchen Systemen und klassischen Graphdatenbanken ist die bislang noch fehlende Be-

rücksichtigung der Persistenz der Daten, wobei für die beiden Aspekte der Datenhaltung

http://monkproject.org/ bzw. http://monk.library.illinois.edu/

191

5.3 Ausblick

und der Datenabfrage in Algorithmen eine Hybridlösung zweier Systeme denkbar ist.

Generell wurden in den letzten Jahren auch erhebliche Fortschritte im verteilten Verar-

beiten persistenter Graphstrukturen erreicht – vgl. etwa [

SWX12

] und [

LGK

] – und

neue innovative Abfrage- und Aggregierungsmechanismen für solche Strukturen vor-

geschlagen (s. z. B. [

SSB16

]), so dass auch auf der Ebene der verteilten Speicher- und

Anfragesysteme auf großen Daten mittelfristig eine Eignung für Echtzeitabfragen zu

erwarten ist.

Wenn in einem solchen Umfeld die effiziente und schnelle Berechnung globaler(er) Kenn-

zahlen für Graphen möglich wird und dabei Graphdatenbanken und Graphprozessoren

tatsächlich technologisch verschmelzen, scheint es lohnenswert, auch neuere Überle-

gungen aus der Graphentheorie in die Analyse von Korpora mit einzubeziehen, etwa

wie in [

Pit15

] auf verschiedenen konzeptionellen Ebenen für die Social-Media-Analyse

vorgeschlagen wird.

Voraussichtlich ab Januar 2017 werden systematische Untersuchungen und Weiterent-

wicklungen von Kadmos im Rahmen des Schwerpunktes „Digital Humanities“ am Leipzi-

ger Standort des Competence Center for Scalable Data Services and Solutions

durchgeführt.

Dabei wird der Fokus auf verschiedene Formen von Skalierung, die effiziente Nutzung

verteilter Hardwarecluster und die Anwendbarkeit auf "Big Data"gelegt. Entsprechend

sollen dort auch neue Technologien für Persistierung und Abfrage rezipiert werden.

Auf Basis der bereits umgesetzten sehr freien und feingliedrigen Textmodellierung könnte

Kadmos schrittweise zum Werkzeug für das flexible Erstellen digitaler Editionen ausge-

baut werden. Dafür müsste sicher zunächst eine exemplarische Umsetzung anhand eines

konkreten Anwendungsfalls stattfinden, im Zuge welcher das System in dieser Hinsicht

grundlegend ertüchtigt werden könnte. Anschließend muss eine verstärkte Berücksich-

tigung der Anforderungen und allgemeinen Best Practices aus der Editorik stattfinden.

Dann könnten zahlreiche dokument-, versions- bzw. editionsübergreifende Analysen

implementiert werden – beispielsweise für die Stemmatologie, analog [

KA16

]. Grund-

sätzlich ist es auch reizvoll, in Kadmos Werkzeuge für die kompletten Arbeitsschritte

zur Modellierung und Erstellung kritischer Editionen unter vollständiger gleichzeitiger

Berücksichtigung mehrerer abweichender Textzeugen bereitzustellen, wie sie z. B. in

[BR98] charakterisiert wird.

http://www.scads.de/

192

Kapitel 5 Schlussbetrachtungen

Eine solch differenzierte Betrachtung von Varianten und Versionen von Textstellen muss

nicht auf Editionen einzelner Werke beschränkt sein. Analyseverfahren zum Auffinden

von Text Re-Use erlauben auch das Aufspüren von dokumentübergreifenden Parallelstel-

len und können genutzt werden, um sogenannte fragmentarische Texte abzubilden, die

nur indirekt durch zitatweise Einbindung in andere Texte überliefert sind. Damit könnten

bisherige Ansätze ergänzt werden, die vornehmlich CTS und TEI zur Repräsentation

einzelner Fragmente nutzen, s. z. B. [

BRBC09

]. Ähnlich, wie eine Erweiterung für die Un-

terstützung moderner Formen von Hypertextualität würde dafür ggf. ein komplexeres

Annotationsmodell wünschenswert, beispielsweise analog der in [

LS08

] (für die Textspei-

cherung in relationalen Datenbanken) beschriebenen Vorgehensweise. Mit steigender

Komplexität des Datenbankschemas wäre in Kadmos dann eine selbstbeschreibende Sche-

madatei für eine Austauschbarkeit der auf der Festplatte gespeicherten Datenbankdateien

zwischen Kadmos-Instanzen ohne zusätzliche Serialisierungsaufwände denkbar.

Im nächsten Schritt könnte ein System zur Versionskontrolle in die Graphdatenbank

integriert werden. Dies kann entweder über Konstrukte der Modellierungssprache oder

auf Systemebene geschehen. In jedem Fall müssten entsprechende Ansätze zur Verwal-

tung kontextualisierter Aussagen genutzt werden, ähnlich der in [

Dam14

] verwendeten

Quadrupel als erweitertes Modell für annotierbare Tripel. Darüber wäre auch die Model-

lierung von Datenprovenienz als eine Kette aufeinander folgender Herkunftsangaben

und Bearbeitungsschritte denkbar. Die grundsätzliche Eignung von Graphdatenbanken

für solche Daten wurde bereits in [VMZ

10] nachgewiesen.

Perspektivisch ist zudem denkbar, Layoutinformationen von Dokumenten direkt in das

Textdatenmodell einzubeziehen. Dadurch könnten weitergreifende Analysen in verschie-

denen Anwendungsszenarien stattfinden: Bei Zeitungskorpora könnte etwa die relative

Anordnung vonThemen und der ihnen jeweilseingeräumtePlatz untersucht werden, oder

der relative Anteil von Werbung. In zweisprachigen Editionen könnten Paralleltexte so

aligniert werden, wie sie im Druck zusammengebracht wurden. Die Layoutinformationen

könnten eine Basis für die automatische semantische Auswertung und Transformation

komplexer Druckerzeugnisse bilden, wie sie etwa Wörterbücher darstellen.

Weiterhin könnten Wort- und Annotationssequenzen mit Zeitstempeln ausgestattet

werden, über welche Aussprachelänge und Pausen aus Korpora gesprochener Sprache

abgebildet werden könnten – ggf. unter Berücksichtigung der Überlegungen aus dem

(zwar grundsätzlich TEI-orientierten, aber auf Interoperabilität ausgelegten) Standard

[

ISO24624

]. Damit ist eine Verknüpfung mit entsprechenden Ressourcen und Werkzeugen

193

5.3 Ausblick

möglich und Methoden der Automatischen Sprachverarbeitung könnten so um erste

Informationen auf der Ebene von Multimodalität erweitert werden.

Auch der Anschluss an andere etablierte Werkzeuge sollte weiter ausgebaut werden,

etwa in Form einer Abfragemöglichkeit mittels CQL für Anwendungen im linguistischen

Bereich. In [

BFW16

] wird eine „Corpus Query Lingua Franca“ vorgestellt, die bisherige

Sprachansätze systematisiert. Diese Erkenntnisse könnten mit dem graphbasierten Mo-

dell abgeglichen und für die Erstellung einer entsprechenden Kadmos-API genutzt wer-

den.

Unter anderem durch solche grundlegend neuen Einsatzfelder und Funktionen werden

zahlreiche neue Schnittstellen und darauf aufsetzende interaktive Visualisierungswerk-

zeuge benötigt. Eine verstärkte Verzahnung von Kadmos mit Techniken und Werkzeugen

aus dem Bereich der Visual Analytics ist in diesem Zusammenhang sehr wünschenswert.

Über diese einzelnstehenden Zukunftsprognosen, Desiderata und offenen Arbeitsfelder

hinausgehend ist es schwer, die Entwicklung der vorgestellten Technologien als Ganzes –

mitsamt ihren Wechselwirkungen untereinander – vorherzuahnen. Noch schwerer fällt

es, Prognosen über die Entwicklung ihrer Anwendungsdomäne abzugeben, zumal hier

nur die Perspektive der Informatik eingenommen werden kann. McCarty verzichtet in

[

McC13b

] auf eine einfache Antwort auf die Frage nach der Zukunft dieses breiten und

veränderlichen, hier als e-Humanities vorgestellten Gebiets und seinem Einfluss auf die

Geisteswissenschaften insgesamt: „[The response] could not be what we almost always get: a

projection of current technical know-how into an imagined future“.

Stattdessen blickt er zurück und setzt Schlaglichter auf verschiedene Entwicklungen

in der Wissenschafts-, Technik- und Sozialgeschichte und schließt mit den folgenden

Worten, mit denen auch dieses Buch enden soll:

"What’s driving the change, where is it heading and what might the humanities look

like as a result?" Frighteningly, thrillingly, it’s up to us.

194

Literaturverzeichnis

+ Gemeinsame Liste von Onlinequellen und konventioneller Literatur

[AB14]

Arthur, Paul L. (Hrsg.) ; Bode, Katherine (Hrsg.): Advancing Digital Humanities

– Research, Methods, Theories. Palgrave Macmillan, 2014 (s. Seite 17 )

[ABG16]

Allington, Daniel ; Brouillette, Sarah ; Golumbia, David: Neoliberal Tools

(and Archives): A Political History of Digital Humanities. In: Los Angeles

Review of Books (2016), (digital).

http://lareviewofbooks.org/article/

neoliberal-tools-archives-political-history-digital-humanities

(s. Seite 18 )

[AH08] Allemang, Dean ; Hendler, James: Semantic Web for the Working Ontologist –

Effective Modeling in RDFS and OWL. Morgan Kaufmann, 2008 (s. Seite 59 )

[AMWZ09]

Armstrong, Timothy G. ; Moffat, Alistair ; Webber, William ; Zobel, Justin:

Improvements That Don’t Add Up: Ad-Hoc Retrieval Results Since 1998. In:

Proceedings of the 18th ACM international conference on Information & Knowledge

Management (CIKM) (2009) (s. Seite 121 )

[Ang12]

Angles, Renzo: A Comparison of Current Graph Database Models. In: Pro-

ceedings of the 28th International Conference on Data Engineering Workshops (IEEE

ICDEW), 2012, S. 171–177 (s. Seite 56 )

[Ash56]

Ashby, William R.: An introduction to cybernetics. John Wiley & Sons, 1956

(s. Seite 21 )

[Aud08]

Audenaert, Neal: Patterns of Analysis: Supporting Exploratory Analysis and

Understanding of Visually Complex Documents. In: Bulletin of IEEE Technical

Committee on Digital Libraries (TCDL) 4 (2008), Nr. 2, S. 1–14 (s. Seite 43 )

196

Literaturverzeichnis

[Bab11]

Babeu, Alison: "Rome Wasn’t Digitized in a Day": Building a Cyberinfrastructure

for Digital Classics. Council on Library and Information Resources, 2011

(s. Seite 27 )

[Bär16]

Bär, Manuel: Graphetteer – A conceptual model for a graph driven gazetteer.

http://www.geonet.ch/graphetteer/

. Stand: Jan 2016. Seminararbeit,

MSc GIScience, University of Zürich (s. Seite 141 )

[Bar02]

Barabási, Albert-László: Linked: How Everything Is Connected to Everything Else

and What It Means for Business, Science, and Everyday Life. Basic Books, 2002

(s. Seiten 8 und 50 )

[BBPI16]

Barker, Elton (Hrsg.) ; Bouzarovski, Stefan (Hrsg.) ; Pelling, Christopher

(Hrsg.) ; Isaksen, Leif (Hrsg.): New Worlds from Old Texts: Revisiting Ancient

Space and Place. Oxford University Press, 2016 (s. Seite 141 )

[BDL

12]

Burdick, Anne ; Drucker, Johanna ; Lunenfeld, Peter ; Presner, Todd ;

Schnapp, Jeffrey: Digital_Humanities. The MIT Press, 2012 (s. Seite 17 )

[BDM

17]

Beecham, Roger ; Dykes, Jason ; Meulemans, Wouter ; Slingsby, Aidan ;

Turkay, Cagatay ; Wood, Jo: Map LineUps: effects of spatial structure on

graphical inference. In: IEEE Transactions on Visualization and Computer Graphics

(IEEE VIS 2016 Special Issue) (2017), Nr. (im Druck).

http://dx.doi.org/10.

1109/TVCG.2016.2598862. DOI 10.1109/TVCG.2016.2598862 (s. Seite 154 )

[BDPS16]

Borek, Luise ; Dombrowski, Quinn ; Perkins, Jody ; Schöch, Christof: TaDi-

RAH: a Case Study in Pragmatic Classification. In: Digital Humanities Quarterly

(DHQ) 10 (2016), Nr. 1, S. #3 (s. Seite 22 )

[BEK

04]

Box, Don ; Ehnebuske, David ; Kakivaya, Gopal ; Layman, Andrew ; Men-

delsohn, Noah ; Nielsen, Henrik F. ; Thatte, Satish ; Winer, Dave: Simple

Object Access Protocol (SOAP) 1.1 / World Wide Web Consortium. Version:

May 2004.

http://www.w3.org/TR/2000/NOTE-SOAP-20000508

. 2004 (Re-

commendation) (s. Seite 235 )

[BFW16]

Bański, Piotr ; Frick, Elena ; Witt, Andreas: Corpus Query Lingua Franca

(CQLF). In: Proceedingsofthe TenthInternational Conference on LanguageResources

and Evaluation (LREC), European Language Resources Association (ELRA), 2016,

S. 2804–2809 (s. Seite 194 )

197

Literaturverzeichnis

[BGH15]

Böhme, Christoph ; Geipel, Markus M. ; Hannemann, Jan: Metamorph: A

Transformation Language for Semi-structured Data. In: The Magazine of Digital

Library Research (D-Lib) 21 (2015), Nr. 5/6, S. #6 ( s. Seite 153 )

[BHJ09]

Bastian, Mathieu ; Heymann, Sebastien ; Jacomy, Mathieu: Gephi: An Open

Source Software for Exploring and Manipulating Networks. In: Proceedings

of the Third International AAAI Conference on Weblogs and Social Media, 2009, S.

361–362 (s. Seite 24 )

[BHS07]

Bocek, Thoma ; Hunt, Ela ; Stiller, Burkhard: Fast Similarity Search in Large

Dictionaries / Department of Informatics, University of Zurich. 2007 (ifi-

2007.02) (s. Seite 174 )

[Bie03]

Biemann, Christian: Extraktion semantischer Relationen aus natürlich-

sprachlichem Text mit Hilfe von maschinellem Lernen. In: Seewald-Heeg,

Uta (Hrsg.): Sprachtechnologie für die multilinguale Kommunikation, Proceedings

der Frühjahrstagung der Gesellschaft für Linguistische DatenVerarbeitung (GLDV),

Gardez!-Verlag, 2003, S. 12–25 (s. Seite 137 )

[Bie06]

Biemann, Chris: Chinese Whispers – an Efficient Graph Clustering Algorithm

and its Application to Natural Language Processing Problems. In: Proceedings

of the First Workshop on Graph Based Methods for Natural Language Processing

(TextGraphs-1), 2006, S. 73–80 (s. Seite 158 )

[BL12]

Blanco, Roi ; Lioma, Christina: Graph-based term weighting for information

retrieval. In: Information Retrieval 15 (2012), Feb, Nr. 1, S. 54–92 (s. Seite 108 )

[Bla10]

Blair, Ann M.: Too Much to Know – Managing Scholarly Information before the

Modern Age. Yale University Press, 2010 (s. Seite 6 )

[BLHL01]

Berners-Lee, Tim ; Hendler, James ; Lassila, Ora: The Semantic Web. In:

Scientific American 284 (2001), Nr. 5, 34-43.

http://www.scientificamerican.

com/article.cfm?id=the-semantic-web. ISSN 0036–8733 (s. Seite 58 )

[BLK

09]

Bizer, Christian ; Lehmann, Jens ; Kobilarov, Georgi ; Auer, Sören ; Becker,

Christian ; Cyganiak, Richard ; Hellmann, Sebastian: DBpedia - A crystal-

lization point for the Web of Data. In: Web Semantics: Science, Services and

Agents on the World Wide Web 7 (2009), Nr. 3, S. 154 – 165.

http://dx.doi.org/

10.1016/j.websem.2009.07.002

. DOI 10.1016/j.websem.2009.07.002. ISSN

1570–8268. The Web of Data ( s. Seite 60 )

198

Literaturverzeichnis

[BLLW10]

Barceló, Pablo ; Libkin, Leonid ; Lin, Anthony W. ; Wood, Peter T.: Expressive

Languages for Path Queries over Graph-Structured Data. In: Proceedings of

the 29th ACM Symposium on Principles of Database Systems (PODS), 2010, S. 3–14

(s. Seite 62 )

[BLW79]

Biggs, Norman L. ; Lloyd, E. K. ; Wilson, Robin J.: Graph Theory 1736-1936.

Oxford University Press, 1979 (s. Seite 52 )

[BM14]

Bachmann-Medick, Doris: Rowohlts Enzyklopädie. Bd. 5. Auflage: Cultural

Turns: Neuorientierungen in den Kulturwissenschaften. Rowohlt Taschenbuch

Verlag, 2014 (s. Seite 16 )

[BN12]

Bohnet, Bernd ; Nivre, Joakim: A Transition-Based System for Joint Part-

of-Speech Tagging and Labeled Non-Projective Dependency Parsing. In:

Proceedings of Conference on Empirical Methods in Natural Language Processing and

Computational Natural Language Learning (EMNLP-CoNLL) 2012, 2012, S. 1455–

1465 (s. Seite 126 )

[BNJ03]

Blei, David M. ; Ng, Andrew Y. ; Jordan, Michael I.: Latent Dirichlet Allocation.

In: Journal of Machine Learning Research 3 (2003), S. 993–1022 (s. Seite 41 )

[BOH11]

Bostock, Michael ; Ogievetsky, Vadim ; Heer, Jeffrey:

: Data-Driven

Documents. In: IEEE Transactions on Visualization and Computer Graphics 17

(2011), Nr. 12, S. 2301–2309 (s. Seiten 142 und 155 )

[Bou13]

Boudin, Florian: A Comparison of Centrality Measures for Graph-Based

Keyphrase Extraction. In: Proceedings of the International Joint Conference on

Natural Language Processing (IJCNLP), 2013, S. 834–838 (s. Seite 108 )

[BPD11]

Bollmann, Marcel ; Petran, Florian ; Dipper, Stefanie: Rule-Based Norma-

lization of Historical Texts. In: Proceedings of the Recent Advances in Natural

Language Processing (RANLP) Workshop on Language Technologies for Digital Hu-

manities and Cultural Heritage, 2011, S. 34–42 (s. Seite 94 )

[BPSM

06]

Bray, Tim ; Paoli, Jean ; Sperberg-McQueen, C. M. ; Maler, Eve ; Yergeau,

François ; Cowan, John: Extensible Markup Language (XML) 1.1 / W3C. Version:

August 2006. http://www.w3c.org/TR/xml11. 2006 (Recommendation)

(s. Seite 237 )

199

Literaturverzeichnis

[BQHR12]

Burkell, Jacquelyn ; Quan-Haase, Anabel ; Rubin, Victoria L.: Promoting

Serendipity Online: Recommendations for Tool Design. In: Proceedings of the

iSchools iConference, 2012, S. 525–526 ( s. Seite 24)

[BR98]

Buzzetti, Dino ; Rehbein, Malte: Text Fluidity and Digital Editions. In: Pro-

ceedings of the International Workshop on Text variety in the witnesses of medieval

texts, 1998, S. 14–39 (s. Seite 192 )

[Bra05]

Bradley, John: Documents and Data: Modelling Materials for Humanities

Research in XML and Relational Databases. In: Literary andLinguisticComputing

(LLC) 20 (2005), Nr. 1, S. 133–151 (s. Seite 38 )

[BRBC09]

Berti, Monica ; Romanello, Matteo ; Babeu, Alison ; Crane, Gregory: Col-

lecting Fragmentary Authors in a Digital library. In: Proceedings of the 9th

ACM/IEEE-CS Joint Conference on Digital Libraries, 2009, S. 259–262

(s. Seite 193 )

[BS12]

Bank, Mathias ; Schierle, Martin: A Survey of Text Mining Architectures and

the UIMA Standard. In: Chair), Nicoletta Calzolari (. (Hrsg.) ; Choukri, Khalid

(Hrsg.) ; Declerck, Thierry (Hrsg.) ; Doğan, Mehmet U. (Hrsg.) ; Maegaard,

Bente (Hrsg.) ; Mariani, Joseph (Hrsg.) ; Odijk, Jan (Hrsg.) ; Piperidis, Stelios

(Hrsg.): Proceedings of the Eight International Conference on Language Resources

and Evaluation (LREC), European Language Resources Association (ELRA), 2012,

S. 3479–3486 (s. Seite 136 )

[Bue12]

Buerli, Mike: The current state of graph databases / Department of Computer

Science, Cal Poly San Luis Obispo. 2012 (Report) (s. Seiten 55 und 56 )

[Bur14]

Burnard, Lou: What Is the Text Encoding Initiative? – How to Add Intelligent Mar-

kup to Digital Resources. OpenEdition Press, 2014 (Encyclopédie Numérique)

(s. Seite 37 )

[Bus45] Bush, Vannevar: As We May Think. In: The Atlantic (1945), Jul, S. 1–8

(s. Seiten 2 und 109 )

[Bus80]

Busa, Roberto: The Annals Of Humanities Computing: The Index Thomisticus.

In: Computers and the Humanities (1980), Nr. 14, S. 83–90 (s. Seite 15 )

[Bus04]

Busa, Roberto: Perspectives on the Digital Humanities. In: A Companion to

Digital Humanities. Blackwell Publishing, 2004, S. Foreword (s. Seite 15 )

200

Literaturverzeichnis

[Bus12] Busse, Dietrich: Frame-Semantik: Ein Kompendium. De Gruyter, 2012

(s. Seite 103 )

[Buz02]

Buzzetti, Dino: Digital Representation and the Text Model. In: Reconsidera-

tions of Literary Theory, Literary History Bd. 33. 2002 New Literary History, S.

61–88 (s. Seite 38 )

[BW95]

Barr, Michael ; Wells, Charles: Category Theory for Computing Science. 2.

Hertfordshire, UK, UK : Prentice Hall International (UK) Ltd., 1995. ISBN

0–13–323809–1 (s. Seite 54 )

[BW09]

Burghardt, Manuel ; Wolff, Christian: Stand off-Annotation für Text-

dokumente: Vom Konzept zur Implementierung (zur Standardisierung?).

Version: 2009.

http://epub.uni-regensburg.de/14223/

. In: Chiarcos,

Christian (Hrsg.) ; Castillo, Richard E. (Hrsg.) ; Stede, Manfred (Hrsg.): Von

der Form zur Bedeutung: Texte automatisch verarbeiten / From form to meaning:

processing texts automatically: Proceedings of the Biennial GSCL Conference 2009.

Tübingen : Gunter Narr Verlag, 2009, 53–59 (s. Seite 45 )

[BYRN99]

Baeza-Yates, Ricardo ; Ribeiro-Neto, Berthier: Modern Information Retrieval.

2. Auflage. ACM Press, Addison Wesley, 1999 (s. Seite 95 )

[CAH12]

Ciglan, Marek; Averbuch, Alex ; Hluchý:, Ladislav: Benchmarking tra-

versal operations over graph databases. In: Workshop Proceedings of the 28th

International Conference on Data Engineering (ICDE): Third International Workshop

on Graph Data Management: Techniques and Applications (GDM), 2012, S. 186–189

(s. Seite 187 )

[Cav12]

Cavanagh, Sheila: Living in a Digital World: Rethinking Peer Review, Colla-

boration, and Open Access. In: Journal of Digital Humanities 1 (2012), Nr. 4, S. –

(s. Seite 4 )

[CCM16]

Celano, Giuseppe G. A. ; Crane, Gregory; Majidi, Saeed: Part of Speech

Tagging for Ancient Greek. In: Open Linguistics 2 (2016), Nr. 1, S. 393–399

(s. Seite 128 )

[Che76]

Chen, Peter Pin-Shan: The Entity-Relationship Model – Toward a Unified

View of Data. In: ACM Transactions on Database Systems 1 (1976), Mar, Nr. 1, S.

9–36 (s. Seiten 47 und 231 )

201

Literaturverzeichnis

[CJBS16]

Cheema, Muhammad F. ; Jänicke, Stefan ; Blumenstein, Judith ; Scheuer-

mann, Gerik: A Directed Concept Search Environment to Visually Explore

Texts Related to User-defined Concept Models. In: Proceedings of the 11th Joint

Conference on Computer Vision, Imaging and Computer Graphics Theory and Appli-

cations (VISIGRAPP) – Volume 2: Information Visualization Theory and Applications

(IVAPP), 2016, S. 74–85 (s. Seite 188 )

[Cle15]

Cleminson, Ralph M.: Encoding Text and Encoding Texts: Some Reflections

on Theory and Practice. In: Comparative Oriental Manuscript Studies (COMS)

Bulletin 1 (2015), Nr. 2, S. 77–84 (s. Seite 27 )

[CMBT02]

Cunningham, Hamish ; Maynard, Diana ; Bontcheva, Kalina ; Tablan, Va-

lentin: GATE: A framework and graphical development environment for

robust NLP tools and applications. In: Proceedings of the 40th Anniversary Mee-

ting of the Association for Computational Linguistics, 2002, S. 168–175

(s. Seite 232 )

[Cod74]

Codd, Edgar F.: Recent Investigations into Relational Data Base Systems.

In: Rosenfeld, Jack L. (Hrsg.): Proceedings of the International Federation for

Information Processing (IFIP) Congress Bd. 6, 1974 (IFIP Congress Series), S. 1017–

1021 (s. Seite 47 )

[CS96]

Christ, Oliver; Schulze, Bruno M.: Ein flexibles und modulares Anfrage-

system für Textcorpora. In: Feldweg, Helmut (Hrsg.) ; Hinrichs, Erhard W.

(Hrsg.): Lexikon und Text – Wiederverwendbare Methoden und Ressourcen zur

linguistischen Erschließung des Deutschen, 1996 (Lexicographica – Supplement-

bände zum Internationalen Jahrbuch für Lexikographie 73), S. 121–134

(s. Seiten 30 und 230 )

[CSFF16]

Ciotti, Fabio ; Silvio, Peroni ; Francesca, Tomasi ; Fabio, Vitali: An OWL 2

Formal Ontology for the Text Encoding Initiative. In: Book of Abstracts of the

Digital Humanities Conference, 2016, S. 151–153 (s. Seite 67 )

[CY15]

Cramer, Catherine ; Yamamoto, Eri: Network Literacy: Essential Concepts and

Core Ideas. Version: Mär 2015.

http://sites.google.com/a/binghamton.

edu/netscied/. Brochure (s. Seite 189 )

202

Literaturverzeichnis

[Dam14]

Damerow, Julia: A Quadruple-Based Text Analysis System for History and Philo-

sophy of Science, Arizona State University, Dissertationsschrift (Ph.D.), Aug

2014 (s. Seiten 67 und 193 )

[DCWY16]

Dai, Guohao ; Chi, Yuze ; Wang, Yu ; Yang, Huazhong: FPGP: Graph Processing

Framework on FPGA – A Case Study of Breadth-First Search. In: Procedings of

the 24th ACM Special Interest Group on Design Automation (SIGDA) International

Symposium on Field-Programmable Gate Arrays (FPGA), 2016, S. 105–110

(s. Seite 191 )

[DD94]

DeRose, Steven J. ; Durand, David G.: Making Hypermedia Work – A User’s Guide

to HyTime. Kluwer Academic Publisher, 1994 (s. Seite 38 )

[DDL

90]

Deerwester, Scott C. ; Dumais, Susan T. ; Landauer, Thomas K. ; Furnas,

George W. ; Harshman, Richard A.: Indexing by Latent Semantic Analysis.

In: Journal of the American society for information science (JASIS) 41 (1990), Nr. 6,

S. 391–407 (s. Seite 41 )

[DDMR90]

DeRose, Steven J. ; Durand, David G. ; Mylonas, Elli ; Renear, Allen H.: What

is text, really? In: J. Computing in Higher Education 1 (1990), Nr. 2, S. 3–26

(s. Seiten 36 und 234 )

[Dem16]

Demir, Seniz: Context Tailoring for Text Normalization. In: Proceedings of the

Workshop on Graph-based Methods for Natural Language Processing (TextGraph)

at the conference on Human Language Technologies (HLT) of the North American

Chapter of the Association for Computational Linguistics (NAACL), 2016, S. 6–14

(s. Seite 95 )

[DFG13]

Deutsche Forschungsgemeinschaft: DFG-Praxisregeln „Digitalisierung“

/ Deutsche Forschungsgemeinschaft, Förderbereich Literaturversorgungs-

und Informationssysteme (LIS). 2013 (02/2013) (s. Seiten 5 und 25 )

[DG04] Dean, Jeffrey; Ghemawat, Sanjay: MapReduce: Simplified Data Processing

on Large Clusters. In: OSDI’04: Sixth Symposium on Operating System Design and

Implementation (2004), 137-150.

http://www.usenix.org/events/osdi04/

tech/dean.html (s. Seite 49 )

[Die16]

Diestel, Reinhard: Graduate Texts in Mathematics. Bd. 173: Graph Theory. 5.

Edition. Springer-Verlag, Heidelberg, 2016 (s. Seiten 53 und 56 )

203

Literaturverzeichnis

[DIPV11]

Di Iorio, Angelo ; Peroni, Silvio ; Vitali, Fabio: A Semantic Web approach

to everyday overlapping markup. In: Journal of the Association for Information

Science and Technology (AIS&T) 62 (2011), Nr. 9, S. 1696–1716

(s. Seiten 61 und 231 )

[DK15]

Dörk, Marian ; Knight, Dawn: WordWanderer: A Navigational Approach to

Text Visualisation. In: Corpora 10 (2015), Apr, Nr. 1, S. 83–94 ( s. Seite 113 )

[Doe03]

Doerr, Martin: The CIDOC Conceptual Reference Module: An Ontological

Approach to Semantic Interoperability of Metadata. In: AI Magazine of the

Association for the Advancement of Artificial Intelligence (2003), S. 75–92

(s. Seite 177 )

[DOK

16]

Drożdż, Stanisław; Oświ

e¸

cimkaa, Paweł ; Kuliga, Andrzej ; Kwapieńa, Ja-

rosław ; Bazarnikb, Katarzyna ; Grabska-Gradzińskac, Iwona ; Rybickib,

Jan ; Stanuszekd, Marek: Quantifying origin and character of long-range

correlations in narrative texts. In: Information Sciences 331 (2016), S. 32–44

(s. Seite 169 )

[Dor33]

Dornseiff, Franz: Der deutsche Wortschatz nach Sachgruppen. Walter, 1933

(s. Seite 103 )

[Dub04]

Dubin, David: The Most Influential Paper Gerard Salton Never Wrote. In:

Library Trends 52 (2004), Nr. 4, S. 748–764 (s. Seite 40 )

[EAGJ

16]

El-Assady, Mennatallah ; Gold, Valentin ; John, Markus ; Ertl, Thomas ;

Keim, Daniel A.: Visual Text Analytics in Context of Digital Humanities. In:

Reports from the 1st IEEE VIS Workshop on Visualization for the Digital Humanities

in the Proceedings of the IEEE VIS2016, 2016, S. im Druck (s. Seite 110 )

[EBH15]

Efer, Thomas ; Blecher, Jens ; Heyer, Gerhard: Leipziger Rektoratsreden

1871 - 1933 – Insights into six decades of scientific practice. In: Gippert, Jost

(Hrsg.) ; Gehrke, Ralf (Hrsg.): Historical Corpora. Challenges and Perspectives

Bd. 5, Narr, März 2015 (Korpuslinguistik und interdisziplinäre Perspektiven

auf Sprache (CLIP)), S. 229–240 (s. Seite 136 )

204

Literaturverzeichnis

[Efe15]

Efer, Thomas: Text Mining with Graph Databases - Traversal of Persisted

Token-Level Representations for Flexible On-Demand Processing. In: Unger,

Herwig (Hrsg.) ; Halang, Wolfgang A. (Hrsg.): Autonomous Systems - Procee-

dings of the 8th GI Conference, VDI Verlag, 2015 (Fortschritt-Berichte VDI, Reihe

10 842), S. 157–167 (s. Seite 75 )

[EHJ15]

Efer, Thomas ; Heyer, Gerhard ; Jost, Jürgen: Text Mining am Beispiel der

Dramen Shakespeares – Welche neuen Erkenntnisse können moderne forma-

le Methoden liefern? In: Jansohn, Christa (Hrsg.) ; Habicht, Werner (Hrsg.) ;

Mehl, Dieter (Hrsg.) ; Redl, Philipp (Hrsg.) ; Akademie der Wissenschaften

und der Literatur, Mainz (Veranst.): Shakespeare unter den Deutschen Bd. 2014.3

Akademie der Wissenschaften und der Literatur, Mainz, Franz Steiner Verlag,

2015 (Abhandlungen der Geistes- und Sozialwissenschaftlichen Klasse), S.

217–230 (s. Seiten 161 und 166 )

[EKMC15]

Eckle-Kohler, Judith ; McCrae, John P. ; Chiarcos, Christian: lemonUby

– a large, interlinked, syntactically-rich lexical resource for ontologies. In:

Semantic Web 6 (2015), Nr. 5, S. 371–378 (s. Seite 67 )

[EM16]

Eger, Steffen ; Mehler, Alexander: On the Linearity of Semantic Change:

Investigating Meaning Variation via Dynamic Graph Models. In: Proceedings

of the annual meeting of the Association for Computational Linguistics (ACL), 2016,

S. 52–58 ( s. Seite 66)

[ESH14] Efer, Thomas ; Steinbach-Hüther, Ninja: Quantitative Analyses in Global

and Area Studies using Graph-based Filtering of Heterogeneous Catalogue

Data. In: Plödereder, Erhard (Hrsg.) ; Grunske, Lars (Hrsg.) ; Schneider,

Eric (Hrsg.) ; Ull, Dominik (Hrsg.): Proceedings of INFORMATIK 2014. Bonn :

Gesellschaft für Informatik, September 2014, S. 1027–1037

(s. Seiten 150 und 159 )

[Fec16]

Fechner, Martin: Kommunikation von Wissenschaft in der Neuzeit: vom Labor

in die Öffentlichkeit. Max-Planck-Institut für Wissenschaftsgeschichte, 2016

http://hdl.handle.net/11858/00-001M-0000-002A-C481-2

(s. Seiten 22, 23, 29 und 178 )

[Fel98]

Fellbaum, Christiane (Hrsg.): WordNet - An Electronic Lexical Database. 1998

(Language, Speech, and Communication) (s. Seite 67 )

205

Literaturverzeichnis

[FFR16]

Freire, Juliana ; Fuhr, Norbert ; Rauber, Andreas: Reproducibility of Data-

Oriented Experiments in e-Science. In: Dagstuhl Reports Bd. 6, 2016, S. 108–159

(s. Seite 19 )

[FG06]

Fuhr, Norbert ; Gövert, Norbert: Retrieval Quality vs. Effectiveness of

Specificity-Oriented Search in XML Collections. In: Information Retrieval 9

(2006), S. 55–70 (s. Seite 108 )

[Fie00]

Fielding, Roy T.: Architectural Styles and the Design of Network-based Software

Architectures, University of California, Irvine, Diss., 2000.

http://www.ics.

uci.edu/~fielding/pubs/dissertation/top.htm ( s. Seiten 85 und 235 )

[FJ15]

Flanders, Julia ; Jannidis, Fotis: Knowledge Organization and Data Modeling in

the Humanities. 2015 (s. Seite 23 )

[Fla09] Flanagan, David: MQL Reference Guide. Metaweb Technologies, 2009

(s. Seite 62 )

[FLM

10]

Fan, Wenfei ; Li, Jianzhong ; Ma, Shuai ; Tang, Nan ; Wu, Yinghui ; Wu, Yun-

peng: Graph Pattern Matching: From Intractable to Polynomial Time. In:

Proceedings of the International Conference on Very Large Data Bases (VLDB) Bd. 3,

2010 (Proceedings of the VLDB Endowment), S. 264–275 (s. Seite 63 )

[FPT14]

Fu, Zhisong ; Personick, Michael ; Thompson, Bryan: MapGraph: A High

Level API for Fast Development of High Performance Graph Analytics on

GPUs. In: Proceedings of the Workshop on GRAph Data management Experiences

and Systems (GRADES), 2014, S. 6 pp (s. Seite 191 )

[Fri05]

Fritz, Gerd: Einführung in die historische Semantik. De Gruyter, 2005 (Germa-

nistische Arbeitshefte 42) (s. Seite 103 )

[Fri06]

Fritz, Gerd: Historische Semantik. 2. Auflage. J. B. Metzler, 2006 (Sammlung

Metzler) (s. Seite 102 )

[GEKH

12]

Gurevych, Iryna ; Eckle-Kohler, Judith ; Hartmann, Silvana ; Matuschek,

Michael ; Meyer, Christian M. ; Wirth, Christian: UBY – A Large-Scale Unified

Lexical-Semantic Resource Based on LMF. In: Proceedings of the 13th Conference

of the European Chapter of the Association for Computational Linguistics (EACL),

2012, S. 580–590 (s. Seite 67)

206

Literaturverzeichnis

[GLN

94]

Gibbons, Michael ; Limoges, Camille ; Nowotny, Helga ; Schwartzman,

Simon ; Scott, Peter ; Trow, Martin: The New Production of Knowledge – The

Dynamics of Science and Research in Contemporary Societies. SAGE Publications,

1994 (s. Seite 18 )

[GMPM13]

Glushko, Robert J. ; Mayernik, Matthew ; Pepe, Alberto ; Maloney, Murray:

Describing Relationships and Structures. In: Glushko, Robert J. (Hrsg.): The

Discipline of Organizing. The MIT Press, 2013, S. 189–234 (s. Seite 35 )

[Gol12]

Gold, Matthew K.: The Digital Humanities Moment. In: Gold, Matthew K.

(Hrsg.): Debates in the Digital Humanities. University of Minnesota Press, 2012,

S. ix ff. (s. Seite 17 )

[Gör11]

Görz, Günther: WissKI - Semantische Annotation, Wissensverarbeitung und

Wissenschaftskommunkation in einer virtuellen Forschungsumgebung. In:

Kunstgeschichte. Open Peer Reviewed Journal (2011), S. 1–17 (s. Seite 190 )

[GR10]

Galey, Alan ; Ruecker, Stan: How a prototype argues. In: Literary and

Linguistic Computing (LLC) 25 (2010), Nr. 4, S. 405–424 (s. Seite 74 )

[Gra73]

Granovetter, Mark S.: The Strength of Weak Ties. In: American Journal of

Sociology 78 (1973), May, Nr. 6, S. 1360–1380 (s. Seite 51 )

[Gra14]

Grandjean, Martin: La connaissance est un réseau – Perspective sur

l’organisation archivistique et encyclopédique. In: Les Cahiers du numéri-

que - Les humanités délivrées 10 (2014), Nr. 3, S. 37–54 ( s. Seiten 139 und 140 )

[Gre14]

Green, Harriett E.: Under the Workbench: An analysis of the use and pre-

servation of MONK text mining research software. In: Literary and Linguistic

Computing (LLC) 29 (2014), Nr. 1, S. 23–40 (s. Seite 190 )

[Grz11]

Grzega, Joachim (Hrsg.): A Recollection of 11 Years of Onomasiology Online (2000-

2010): All Articles Re-Collected. Kompilation.

http://www1.ku-eichstaett.

de/SLF/EngluVglSW/OnOn-Total.pdf. Stand: 2011 (s. Seite 104 )

[GS12]

Griffin, Christopher ; Shekhar, Suraj: Penn State Lecture Notes. Bd. Math 485:

Graph Theory. -, 2012 (s. Seite 53 )

207

Literaturverzeichnis

[GSB16]

Ginda, Michael ; Scharnhorst, Andrea ; Börner, Katy: Modelling the Struc-

ture and Dynamics of Science Using Books. In: Sugimoto, Cassidy (Hrsg.):

Theories of Informetrics: A Festschrift in Honor of Blaise Cronin. De Gruyter Saur,

2016, S. 304–334 (s. Seite 157 )

[GSBH12]

Gollub, Tim ; Stein, Benno ; Burrows, Steven ; Hoppe, Dennis: TIRA: Confi-

guring, Executing, and Disseminating Information Retrieval Experiments.

In: Proceedings of the 23rd International Workshop on Database and Expert Systems

Applications (DEXA), 2012, S. 151–155 (s. Seite 121 )

[GTW13]

Gooding, Paul ; Terras, Melissa ; Warwick, Claire: The Myth of the New:

Mass Digitization, Distant Reading, and the Future of the Book. In: Literary

and Linguistic Computing (LLC) 28 (2013), Aug, Nr. 4, S. 629–639 (s. Seite 5 )

[Haa01]

Haarmann, Harald: Sprachtypologie und Schriftgeschichte. In: Sprachty-

pologie und sprachliche Universalien Bd. 20. 1. Halbband. De Gruyter Mouton,

2001 Handbücher zur Sprach- und Kommunikationswissenschaft (HSK), S.

163–180 (s. Seite 32 )

[Har75]

Harris, Bernard: The statistical estimation of entropy in the non-parametric

case. In: Topics in Information Theory (1975), S. 323–355 ( s. Seite 170)

[Häu09]

Häuser, Franz (Hrsg.): Die Leipziger Rektoratsreden 1871-1933: Herausgegeben

zum 600-jährigen Gründungsjubiliäum der Universität im Jahr 2009. Walter de

Gruyter, 2009 (s. Seiten 136 und 243 )

[HFBPL09]

Hebeler, John ; Fisher, Matthew ; Blace, Ryan ; Perez-Lopez, Andrew: Se-

mantic Web Programming. Wiley Publishing, 2009 (s. Seiten 59 und 60)

[HHSH15]

Henrich, Andreas ; Heyer, Gerhard ; Schlieder, Christoph ; Härder, Theo:

Editorial zum Schwerpunktthema Informationsmanagement für Digital Huma-

nities. In: Datenbank-Spektrum 2015 (2015), Mär, Nr. 1, S. 1–6 (s. Seite 18 )

[HI14]

Heyer, Gerhard ; Isemann, Daniel: Digital und Computational Humanities.

In: Book of Abstracts zum DHd Workshop „Informatik und die Digital Humanities“,

2014, S. C.4 (67–68) (s. Seite 19 )

[Hic15]

Hickson, Ian: Server-Sent Events / World Wide Web Consortium. Version: Feb

2015.

http://www.w3.org/TR/2015/REC-eventsource-20150203/

. 2015

(REC-eventsource-20150203) (s. Seite 86 )

208

Literaturverzeichnis

[Hin13]

Hindley, Meredith: The Rise of the Machines – NEH and the Digital Humani-

ties: The Early Years. In: Humanities 34 (2013), Nr. 4.

http://www.neh.gov/

humanities/2013/julyaugust/feature/the-rise-the-machines

(s. Seite 15 )

[Hir11]

Hirsch, Brett D.: The Kingdom has been Digitized: Electronic Editions of

Renaissance Drama and the Long Shadows of Shakespeare and Print. In:

Literature Compass 8 (2011), Nr. 9, S. 568–591 (s. Seite 164 )

[Hjø15]

Hjørland, Birger: Classical databases and knowledge organization: A case

for boolean retrieval and human decision-making during searches. In: Journal

of the Association for Information Science and Technology (AIS&T) 66 (2015), Nr. 8,

S. 1559–1575 (s. Seite 98 )

[HN13]

Hausenblas, Michael ; Nadeau, Jacques: Apache Drill: Interactive Ad-Hoc

Analysis at Scale. In: Big Data, Mary Ann Liebert Inc. 1 (2013), Jun, Nr. 2

(s. Seite 50 )

[Hob70]

Hoberg, Rudolf: Die Lehre vom sprachlichen Feld. Schriften des Instituts für

Deutsche Sprache, 1970 (Sprache der Gegenwart 11) (s. Seite 103 )

[Hoc04]

Hockey, Susan: The History of Humanities Computing. In: Schreibman,

Susan (Hrsg.) ; Siemens, Ray (Hrsg.) ; Unsworth, John (Hrsg.): A Companion

to Digital Humanities. Blackwell Publishing, 2004, S. 3–19 (s. Seite 15 )

[Hof99]

Hofmann, Thomas: Probabilistic Latent Semantic Analysis. In: Proceedings

of the Fifteenth Conference on Uncertainty in Artificial Intelligence (UAI), 1999, S.

289–296 (s. Seite 41 )

[HOH06]

Hildebrand, Michiel ; Ossenbruggen, Jacco van ; Hardman, Lynda: /facet:

A Browser for Heterogeneous Semantic Web Repositories. In: Cruz, Isabel

(Hrsg.) ; Decker, Stefan (Hrsg.) ; Allemang, Dean (Hrsg.): Proceedings 5th

International Semantic Web Conference (ISWC) Bd. 4273, 2006 (Lecture Notes in

Computer Science), S. 272–285 (s. Seite 100 )

[HQW08]

Heyer, Gerhard ; Quasthoff, Uwe ; Wittig, Thomas: Text Mining: Wissens-

rohstoff Text – Konzepte, Algorithmen, Ergebnisse. 1. korrigierter Nachdruck.

W3L-Verlag, 2008 (s. Seite 39 )

209

Literaturverzeichnis

[HR83]

Haerder, Theo ; Reuter, Andreas: Principles of Transaction-Oriented Da-

tabase Recovery. In: ACM Computing Surveys 15 (1983), Dec, Nr. 4, S. 287–317

(s. Seiten 47 und 229 )

[HW05]

Humm, Bernhard ; Wietek, Frank: Architektur von Data Warehouses und

Business Intelligence Systemen. In: Informatik-Spektrum (2005), Nr. 23, S. 3–14

(s. Seite 47 )

[IS07]

Ide, Nancy ; Suderman, Keith: GrAF: A Graph-based Format for Linguistic

Annotations. In: Proceedings of the Linguistic Annotation Workshop (LAW). Prague,

Czech Republic : Association for Computational Linguistics, June 2007, 1–8

(s. Seite 66 )

[ISO2709]

International Organization for Standardization: Information and docu-

mentation – Formatforinformationexchange / ISO. Stage 90.20. 2016 (2016-07-15)

(s. Seite 232 )

[ISO9075]

International Organization for Standardization: Information techno-

logy – Database languages – SQL / ISO. 2008/2015 (Parts: 1,2,3,4,9,10,11,13,14)

(s. Seite 235 )

[ISO13250]

International Organization for Standardization: Information technolo-

gy – SGML applications – Topic maps / ISO. Second Edition, Stage 90.92. 2003

(2003-10-23; ISO/IEC 13250) (s. Seite 62 )

[ISO21127]

International Organization for Standardization: Information and docu-

mentation – A reference ontology for the interchange of cultural heritage information

/ ISO. Second Edition, Stage 60.60. 2014 (2014-10-15) ( s. Seite 230)

[ISO24622]

International Organization for Standardization: Language resource

management – Component Metadata Infrastructure (CMDI) – Part 1: The Component

Metadata Model / ISO. Stage 60.60. 2015 (2015-01-20) ( s. Seite 230 )

[ISO24624]

International Organization for Standardization: Language resource

management – Transcription of spoken language / ISO. Stage 60.60. 2016 (2016-

07-22) (s. Seite 193 )

[ISO32000]

International Organization for Standardization: Document mana-

gement – Portable document format – Part 1: PDF 1.7 / ISO. Stage 90.93. 2008

(2008-07-01) (s. Seite 234 )

210

Literaturverzeichnis

[Jac06]

Jackson, Matthew O.: The Economics of Social Networks. In: Blundell,

Richard (Hrsg.) ; Newey, Whitney (Hrsg.) ; Persson, Torsten (Hrsg.): Advances

in Economics and Econometrics, Theory and Applications: Ninth World Congress

of the Econometric Society Bd. 1. Cambridge University Press, 2006, S. 1–56

(s. Seite 51 )

[Jäg07]

Jäger, Ludwig: Ferdinand de Saussure – zur Einführung. Junius, 2007

(s. Seite 40 )

[JB72]

Jauch, Josef-Maria ; Baron, J. G.: Entropy, Information and Szilard’s Paradox.

In: Helvetica Physica Acta 45 (1972), Nr. 2, S. 220–232 (s. Seite 166 )

[JBR

17]

Jänicke, Stefan ; Blumenstein, Judith ; Rücker, Michaela ; Zeckzer, Dirk ;

Scheuermann, Gerik: Visualizing the Results of Search Queries on Ancient

Text Corpora with Tag Pies. In: Pre-Print (2017), – (in Veröffentlichung).

http://www.informatik.uni-leipzig.de/~stjaenicke/TagPies.pdf

(s. Seite 110 )

[JEBS15]

Jänicke, Stefan ; Efer, Thomas ; Büchler, Marco; Scheuermann, Gerik:

Designing Close and Distant Reading Visualizations for Text Re-use. In:

Proceedings of the 9th International Conference on Computer Vision, Imaging and

Computer Graphics Theory and Applications (VISIGRAPP) 2014, 2015, S. 153–171

(s. Seite 165 )

[JGBS14]

Jänicke, Stefan ; Geßner, Annette ; Büchler, Marco ; Scheuermann, Gerik:

Visualizations for Text Re-use. In: Proceedings of the 5th International Conference

on Information Visualization Theory and Applications, IVAPP, 2014, S. 59–70

(s. Seite 165 )

[JGW16]

Jurish, Bryan ; Geyken, Alexander ; Werneke, Thomas: DiaCollo: diachronen

Kollokationen auf der Spur. In: Konferenzabstracts der Digital Humanities im

deutschsprachigen Raum (DHd), 2016, S. 172–175 ( s. Seiten 67 und 114 )

[JM07]

Jones, Michael N. ; Mewhort, Douglas J. K.: Representing Word Meaning

and Order Information in a Composite Holographic Lexicon. In: Psychological

Review (American Psychological Association) 114 (2007), Nr. 1, S. 1–37

(s. Seite 41 )

[Joc13]

Jockers, Matthew L. ; Schreibman, Susan (Hrsg.) ; Siemens, Raymond C.

(Hrsg.): Macroanalysis - Digital Methods and Literary History. University Of

Illinois Press, 2013 (Topics in the Digital Humanities) (s. Seiten 20, 64 und 169 )

211

Literaturverzeichnis

[JPT

16]

Junghanns, Martin ; Petermann, André ; Teichmann, Niklas ; Gómez, Ke-

vin ; Rahm, Erhard: Analyzing Extended Property Graphs with Apache Flink.

In: Proceedings of the 1st ACM Special Interest Group on Management of Data (SIG-

MOD) Workshop on Network Data Analytics, 2016, S. #3 (s. Seite 191 )

[JR13]

Jouili, Salim ; Reynaga, Aldemar: imGraph: A distributed in-memory graph

database. In: IEEE Proceedings of the 2013 International Conference on Social

Computing (SocialCom) via the 28th Academy of Science and Engineering (ASE)

International Conference on Big Data (2013) ( s. Seite 80 )

[JV13]

Jouili, Salim ; Vansteenberghe, Valentin: An empirical comparison of

graph databases. In: Proceedings of the IEEE International Conference on Security,

Risk and Trust, 2010, 2013, S. 708–715 (s. Seiten 56 und 81 )

[JVHB14]

Jacomy, Mathieu ; Venturini, Tommaso ; Heymann, Sebastien ; Bastian,

Mathieu: ForceAtlas2, a Continuous Graph Layout Algorithm for Handy

Network Visualization Designed for the Gephi Software. In: PLoS ONE 9

(2014), 06, S. 1–12.

http://dx.doi.org/10.1371/journal.pone.0098679

DOI 10.1371/journal.pone.0098679 (s. Seiten 114, 162 und 181 )

[KA16]

Kaufmann, Sascha ; Andrews, Tara L.: Bearbeitung und Annotation his-

torischer Texte mittels Graph-Datenbanken am Beispiel der Chronik des

Matthias von Edessa. In: Konferenzabstracts der Digital Humanities im deutsch-

sprachigen Raum (DHd), 2016, S. 176–178 ( s. Seiten 68 und 192 )

[KCH

90]

Kang, Kyo C. ; Cohen, Sholom G. ; Hess, James A. ; Novak, William E. ; Peter-

son, A. S.: Feature-Oriented Domain Analysis (FODA) – Feasibility Study / Software

Engineering Institute; Carnegie Mellon University; Domain Analysis Project.

1990 (Technical Report CMU/SEI-90-TR-21; ESD-90-TR-222) ( s. Seite 69 )

[KEAH14]

Kuras, Christoph ; Efer, Thomas ; Adam, Christian ; Heyer, Gerhard: The

GDR Through the Eyes of the Stasi – Data Mining on the Secret Reports of

the State Security Service of the former German Democratic Republic. In:

Fred, Ana (Hrsg.) ; Filipe, Joaquim (Hrsg.) ; INSTICC (Veranst.): Proceedings

of the 6th KDIR INSTICC, SCITEPRESS – Science and Technology Publications,

Oktober 2014, S. 360–365 (s. Seite 140 )

212

Literaturverzeichnis

[Kir10]

Kirschenbaum, Matthew: What Is Digital Humanities and What’s It Doing

in English Departments? In: ADE Bulletin Bd. 1. Association of Departments of

English (ADE) of the Modern Language Association of America (MLA), 2010,

S. 55–61 ( s. Seite 17)

[KKEM10]

Keim, Daniel (Hrsg.) ; Kohlhammer, Jörn (Hrsg.) ; Ellis, Geoffrey (Hrsg.) ;

Mansmann, Florian (Hrsg.): Mastering The Information Age - Solving Problems

with Visual Analytics. Eurographics Association, 2010

http://www.vismaster.

eu/ (s. Seite 110 )

[Köh05]

Köhler, Reinhard: Korpuslinguistik – zu wissenschaftstheoretischen Grund-

lagen und methodologischen Perspektiven. In: Mehler, Alexander (Hrsg.):

LDV Forum – Themenschwerpunkt Korpuslinguistik Bd. 20. Gesellschaft für Lin-

guistische Datenverabeitung (GLDV), 2005 Zeitschrift für Computerlinguistik

und Sprachtechnologie, S. 1–16 (s. Seite 29 )

[Kön16]

König, Mareike: Was sind Digital Humanities? Definitionsfragen und Praxisbei-

spiele aus der Geschichtswissenschaft.

http://dhdhi.hypotheses.org/2642

Stand: Feb 2016. Blogpost auf "Digital Humanities am Deutschen Histori-

schen Institut Paris (DIHP)" (s. Seite 17 )

[Kön36]

König, Dénes: Theorie der Endlichen und Unendlichen Graphen: Kombinatorische

Topologie der Streckenkomplexe. Akademische Verlagsgesellschaft M. B. H.,

1936 (s. Seite 52 )

[Kor06]

Korpela, Jukka K.: Unicode Explained. O’Reilly & Associates, 2006

(s. Seite 33 )

[KSM13]

Kolomičenko, Vojtěch ; Svoboda, Martin ; Mlýnková, Irena H.: Experimen-

tal Comparison of Graph Databases. In: Proceedings of the 15th International

Conference on Information Integration and Web Based Applications & Services (ii-

WAS), 2013, S. 115–124 (s. Seite 81 )

[Kuc16]

Kuczera, Andreas: Digital Editions beyond XML – Graph-based Digital Editi-

ons. In: Düring, Marten (Hrsg.) ; Jatowt, Adam (Hrsg.) ; Preiser-Kappeller,

Johannes (Hrsg.) ; Den Bosch, Antal van (Hrsg.): Proceedings of the 3rd Histo-

Informatics Workshop at the Digital Humanities conference (DH), 2016, S. 37–46

(s. Seiten 68 und 75 )

213

Literaturverzeichnis

[Lad13]

Ladwig, Günter: Efficient Optimization and Processing of Queries over Text-rich

Graph-structured Data. KIT Scientific Publishing Straße am Forum 2 D-76131

Karlsruhe, Karlsruher Institut für Technologie, Diss., 2013.

http://dx.doi.

org/10.5445/KSP/1000034423. DOI 10.5445/KSP/1000034423 (s. Seite 61 )

[LC13]

Lake, Peter ; Crowther, Paul: Concise Guide to Databases – A Practical Introduc-

tion. Springer, 2013 (Undergraduate Topics in Computer Science)

(s. Seite 46 )

[Leh09]

Lehner, Franz: Wissensmanagement – Grundlagen, Methoden und technische

Unterstützung. Dritte Auflage. Carl Hanser Verlag, 2009 (s. Seite 102 )

[Lei14]

Leinster, Tom: Rethinking Set Theory. In: American Mathematical Monthly

121 (2014), 2014, Nr. 5, S. 403–415 (s. Seite 53 )

[Lev66]

Levenshtein, Vladimir I.: Binary Codes Capable of Correcting Deletions,

Insertions, and Reversals. In: Soviet Physics Doklady 10 (1966), Feb, Nr. 8, S.

707–710 (s. Seite 173 )

[Lew92]

Lewis, David D.: Representation and Learning in Information Retrieval, University

of Massachusetts, Dissertationsschrift (Ph.D.), Februar 1992 ( s. Seite 96 )

[Ley09]

Ley, Michael: DBLP – Some Lessons Learned. In: Proceedings of the International

Conference on Very Large Data Bases (VLDB) Bd. 2, 2009 (Proceedings of the VLDB

Endowment 1), S. 1493–1500 (s. Seite 152 )

[LGK

12]

Low, Yucheng; Gonzalez, Joseph ; Kyrola, Aapo ; Bickson, Danny ; Gue-

strin, Carlos ; Hellerstein, Joseph M.: Distributed GraphLab: A Framework

for Machine Learning and Data Mining in the Cloud. In: Proceedings of the

38th International Conference on Very Large Data Bases (VLDB) Bd. 5, 2012 (Pro-

ceedings of the VLDB Endowment 8), S. 716–726 (s. Seite 192 )

[Li90]

Li, Wentian: Mutual Information Functions versus Correlation Functions. In:

Journal of Statistical Physics 60 (1990), Nr. 5/6, S. 823–837 (s. Seite 166 )

[LIJ

15]

Lehmann, Jens ; Isele, Robert ; Jakob, Max ; Jentzsch, Anja ; Kontokostas,

Dimitris ; Mendes, Pablo N. ; Hellmann, Sebastian ; Morsey, Mohamed ;

Kleef, Patrick van ; Auer, Sören ; Bizer, Christian: DBpedia – A Large-scale,

Multilingual Knowledge Base Extracted from Wikipedia. In: Semantic Web

– Interoperability, Usability, Applicability (IOS Press) 6 (2015), Nr. 2, S. 167–195

(s. Seite 60 )

214

Literaturverzeichnis

[Lin12]

Lin, Yu wei: Transdisciplinarity and Digital Humanities: Lessons Learned

from Developing Text-Mining Tools for Texual Analysis. In: Berry, David M.

(Hrsg.): Understanding Digital Humanities. Palgrave Macmillan, 2012, S. 295–314

(s. Seite 18 )

[LM04]

Lethbridge, Stefanie ; Mildorf, Jarmila: Basics for English | Part 3: Drama. Uni-

versites of Tübingen, Stuttgart and Freiburg, 2004

http://www2.anglistik.

uni-freiburg.de/intranet/englishbasics/PDF/Drama.pdf (s. Seite 161)

[LPA

09]

Lazer, David ; Pentland, Alex; Adamic, Lada ; Aral, Sinan ; Barabási,

Albert-László ; Brewer, Devon ; Christakis, Nicholas ; Contractor, Nos-

hir ; Fowler, James ; Gutmann, Myron; Jebara, Tony ; King, Gary ; Macy,

Michael ; Roy, Deb ; Alstyne, Marshall V.: Computational Social Science. In:

Science 323 (2009), Feb, Nr. 5915, S. 721–723 (s. Seite 51 )

[LS08]

Liu, Yin ; Smith, Jeff: A Relational Database Model for Text Encoding. In:

Computing in the Humanities Working Papers (VHWP) (2008), Jul, S. A.43.

(s. Seiten 67 und 193 )

[Luh57]

Luhn, Hans P.: A Statistical Approach to Mechanized Encoding and Searching

of Literary Information. In: IBM Journal of Research and Development 1 (1957),

Nr. 4, S. 309–317 (s. Seite 95 )

[LV09]

Li, Ming ; Vitányi, Paul: An Introduction to Kolmogorov Complexity and Its

Applications. 3. Auflage. Springer, 2009 (Texts in Computer Science)

(s. Seite 160 )

[Mar98]

Marcus, Solomon: Bridging Linguistics and Computer Science, via Mathe-

matics. In: Calude, Cristian S. (Hrsg.): People and Ideas in Theoretical Computer

Science. Springer, 1998, S. 163–176 (s. Seite 28 )

[Mar06]

Marchionini, Gary: Exploratory Search: From Finding to Understanding.

In: Communications of the ACM 49 (2006), Apr, Nr. 4 (s. Seite 23 )

[MB09]

Miles, Alistair ; Bechhofer, Sean: SKOS Simple Knowledge Organization System

– Recommendation / World Wide Web Consortium. Version: Aug 2009.

http:

//www.w3.org/TR/2009/REC-skos-reference-20090818/

. 2009 (REC-skos-

reference) (s. Seite 235 )

215

Literaturverzeichnis

[MBJ

98]

Madison, Olivia ; Byrum, Jr. John ; Jouguelet, Suzanne ; McGarry, Dorothy ;

Williamson, Nancy ; Witt, Maria: UBCIM publications – New Series. Bd. 19:

Functional requirements for bibliographic records : final report. International Fede-

ration of Library Associations and Institutions (IFLA) Section on Cataloguing,

Study Group on the Functional Requirements for Bibliographic Records. K.G.

Saur, 1998 (s. Seite 231 )

[McC13a]

McCarty, Willard: The essential contradiction. In: 6th International Conference

Innovative Information Technologies for Science, Business and Education (IIT), 2013,

S. 12p (s. Seite 21 )

[McC13b]

McCarty, Willard: The Future of Digital Humanities Is a Matter of Words.

In: Companion to New Media Dynamics. Wiley-Blackwell, Feb 2013, Kapitel 1.2,

S. 33–52 (s. Seiten 14 und 194 )

[MD85]

Mittal, Sanjay ; Dym, Clive L.: Knowledge Acquisition from Multiple Experts.

In: The AI Magazine 6 (1985), Nr. 2, S. 32–36 ( s. Seite 178 )

[MDGM10]

Meyer, Scott M. ; Degener, Jutta ; Giannandrea, John ; Michener, Barak:

Optimizing Schema-Last Tuple-Store Queries in Graphd. In: Proceedings of

the ACM Special Interest Group on Management of Data (SIGMOD) International

Conference on Management of Data (2010), S. 1047–1056 (s. Seiten 61 und 62 )

[Meh09]

Mehler, Alexander: Structure Formation in the Web. In: Witt, Andreas

(Hrsg.) ; Metzing, Dieter (Hrsg.): Linguistic Modeling of Information and Markup

Languages – Contributions to Language Technology Bd. 40. Springer, 2009 Text,

Speech and Language Technology, S. 225–247 ( s. Seite 38)

[MEP

14]

McColl, Robert ; Ediger, David; Poovey, Jason ; Campbell, Dan ; Bader,

David A.: A Performance Evaluation of Open Source Graph Databases. In:

Proceedings of the first workshop on Parallel programming for analytics applications

(PPAA), ACM, 2014, S. 11–18 (s. Seite 81 )

[MES07]

Melli, Gabor ; Ester, Martin ; Sarkar, Anoop: Recognition of Multi-sentence

n-ary Subcellular Localization Mentions in Biomedical Abstracts. In: Short

Paper Proceedings of the 2nd International Symposium on Languages in Biology and

Medicine (LBM), 2007, S. – (s. Seite 66 )

216

Literaturverzeichnis

[MGWD10]

Mehler, Alexander ; Gleim, Rüdiger ; Waltinger, Ulli ; Diewald, Nils: Time

Series of Linguistic Networks by Example of the Patrologia Latina. In: Pro-

ceedings of INFORMATIK 2010: Service Science, 2010, S. 609–616 (s. Seite 66 )

[MH04]

McGuinness, Deborah L. ; Harmelen, Frank van: OWL Web Ontology Language

Overview / World Wide Web Consortium. Version: Feb 2004.

http://www.

w3.org/TR/2004/REC-owl-features-20040210/

. 2004 (REC-owl-features-

20040210/) (s. Seite 234 )

[MH12]

McEnery, Tony ; Hardie, Andrew: Corpus Linguistics: Method, theory and

practice. Cambridge University Press, 2012 (s. Seite 29 )

[Mic16]

Michelson, David A.: Syriaca.org as a Test Case for Digitally Re-Sorting the

Ancient World. In: Clivaz, Claire (Hrsg.) ; Dilley, Paul (Hrsg.) ; Hamidović,

David (Hrsg.): Ancient Worlds in Digital Culture. Koninklijke Brill NV, 2016

Digital Biblical Studies. (Digital Biblical Studies), S. 59–85 (s. Seite 5 )

[Mil55]

Miller, George A.: Note on the bias of information estimates. In: Information

Theory in Psychology: Problems and Methods (1955) (s. Seite 167 )

[Mil67]

Milgram, Stanley: The small-world problem. In: Psychology Today 1 (1967),

May, Nr. 1, S. 61–67 (s. Seite 50 )

[MMG99]

Mikheev, Andrei ; Moens, Marc ; Grover, Claire: Named Entity recognition

without gazetteers. In: Proceedings of the 9th conference on European chapter of

the Association for Computational Linguistics. Morristown, NJ, USA : Association

for Computational Linguistics, 1999, S. 1–8 (s. Seite 137 )

[Moo51]

Mooers, Calvin N.: Making Information Retrieval Pay / Zator Company. 1951

(55) (s. Seite 95 )

[Mor05]

Moretti, Franco: Graphs, Maps, Trees: Abstract Models for a Literary History.

Verso, 2005 (s. Seite 20 )

[Mor11]

Moretti, Franco: Network Theory, Plot Analysis. In: New Left Review (2011),

S. 80–102 (s. Seite 161 )

[Mor13] Moretti, Franco: Distant Reading. Verso, 2013 (s. Seite 20 )

[MRS08]

Manning, Christopher D. ; Raghavan, Prabhakar ; Schütze, Hinrich: Intro-

duction to Information Retrieval. Cambridge University Press, 2008

(s. Seite 95 )

217

Literaturverzeichnis

[MS99]

Manning, Christopher D. ; Schütze, Hinrich: Foundations of Statistical Natural

Language Processing. 1. The MIT Press, 1999

http://www.worldcat.org/

isbn/0262133601. ISBN 0262133601 (s. Seiten 24 und 97 )

[MS04]

Mihov, Stoyan ; Schulz, Klaus U.: Fast Approximate Search in Large Dictio-

naries. In: Computational Linguistics 30 (2004), Nr. 4, S. 451–477 (s. Seite 177 )

[MT04]

Mihalcea, Rada ; Tarau, Paul: TextRank: Bringing Order into Texts. In: Lin,

Dekang (Hrsg.) ; Wu, Dekai (Hrsg.): Proceedings of the Conference on Empirical

Methods in NaturalLanguageProcessing(EMNLP), Association for Computational

Linguistics, Jul 2004, S. 404–411 (s. Seiten 65 und 189 )

[Nel93]

Nelson, Theodor H.: Literary Machines : The report on, and of, Project Xanadu

concerning word processing, electronic publishing, hypertext, thinkertoys, tomor-

row’s intellectual revolution, and certain other topics including knowledge, education

and freedom. Edition 93.1. Mindful Press, 1993 (s. Seite 38 )

[Neu15]

Neumann, Arne: discoursegraphs: A graph-based merging tool and conver-

ter for multilayer annotated corpora. In: Megyesi, Beáta (Hrsg.): Proceedings

of the 20th Nordic Conference of Computational Linguistics (NODALIDA), Linköping

University Electronic Press, 2015, S. 309–312 (s. Seite 66)

[Nie11]

Nielsen, Michael: Reinventing Discovery – The New Era of Networked Science.

Princeton University Press, 2011 (s. Seite 3 )

[NRR

12]

Nelson, Brent; Ruecker, Stan ; Radzikowska, Milena ; Sinclair, Stéfan ;

Brown, Susan ; Bieber, Mark: A Short History and Demonstration of the

Dynamic Table of Contexts. In: Scholarly and Research Communication 3 (2012),

Nr. 4, S. 14 pp (s. Seite 78)

[Nun09]

Nunberg, Geoffrey: Google’s Book Search: A Disaster for Scholars. In:

The Chronicle of Higher Education (2009), Aug.

http://www.chronicle.com/

article/Googles-Book-Search-A/48245/ (s. Seite 44 )

[NYSC00]

Narain, Rakesh ; Yadav, R.C. ; Sarkis, Joseph ; Cordeiro, James J.: The stra-

tegic implications of flexibility in manufacturing systems. In: International

Journal of Agile Management Systems, 2 (2000), Nr. 3, S. 202–213 (s. Seite 69 )

218

Literaturverzeichnis

[OWL09a]

OWL Working Group: OWL 2 Web Ontology Language: Document Overview

/ World Wide Web Consortium. Version: Oktober 2009.

http://www.w3.

org/TR/owl2-overview/

. W3C Recommendation, Oktober 2009 (REC-owl2-

overview-20121211) (s. Seite 234 )

[OWL09b]

OWL Working Group ; Hitzler, Pascal (Hrsg.) ; Krötzsch, Markus (Hrsg.) ;

Parsia, Bijan (Hrsg.) ; Patel-Schneider, Peter F. (Hrsg.) ; Rudolph, Sebastian

(Hrsg.): OWL 2 Web Ontology Language: Primer / World Wide Web Consortium.

Version: Oktober 2009.

http://www.w3.org/TR/owl2-primer/

. W3C Recom-

mendation, Oktober 2009 (REC-owl2-primer-20121211) (s. Seite 234 )

[PB86]

Pahl, Gerhard ; Beitz, Wolfgang: Konstruktionslehre. Zweite Auflage. Springer-

Verlag, 1986 (s. Seite 131 )

[PBMW99]

Page, Lawrence ; Brin, Sergey ; Motwani, Rajeev ; Winograd, Terry: The

PageRank Citation Ranking: Bringing Order to the Web / Stanford InfoLab. 1999

(1999-66) (s. Seite 65 )

[Pio12]

Piotrowski, Michael ; Hirst, Graeme (Hrsg.): Synthesis Lectures on Human

Language Technology. Bd. Lecture #17: Natural Language Processing for Historical

Texts. Morgan & Claypool Publishers, 2012 (s. Seite 102 )

[Pit15]

Pitas, Ioannis: Graph-Based Social Media Analysis. Chapman and Hall / CRC

Press Taylor & Francis, 2015 (Data Mining and Knowledge Discovery)

(s. Seite 192 )

[Pri08]

Pritchett, Dan: In partitioned databases, trading some consistency for

availability can lead to dramatic improvement in scalability. In: ACM Queue 6

(2008), Jul, Nr. 3, S. 48–55 (s. Seite 49 )

[Pur02]

Purchase, Helen C.: Metrics for Graph Drawing Aesthetics. In: Journal of

Visual Languages & Computing 13 (2002), Nr. 5, 501–516.

http://dx.doi.org/

10.1006/jvlc.2002.0232. DOI 10.1006/jvlc.2002.0232. ISSN 1045–926X

(s. Seite 114 )

[QFH12]

Quasthoff, Uwe (Hrsg.) ; Fiedler, Sabine (Hrsg.) ; Hallsteinsdóttir, Erla

(Hrsg.): Frequency Dictionaries. Bd. 1: Frequency Dictionary German – Häufigkeits-

wörterbuch Deutsch. Leipziger Universitätsverlag, 2012 ( s. Seite 174)

219

Literaturverzeichnis

[Ram11]

Ramsay, Stephen ; Schreibman, Susan (Hrsg.) ; Siemens, Raymond C. (Hrsg.):

Reading Machines – Towards an Algorithmic Criticism. University Of Illinois Press,

2011 (Topics in the Digital Humanities) (s. Seiten 20 und 169 )

[RC94]

Rao, Ramana ; Card, Stuart K.: The Table Lens: Merging Graphical and

Symbolic Representations in an Interactive Focus+Context Visualization for

Tabular Information. In: Proceedings of the ACM SIGCHI Conference on Human

Factors in Computing Systems, 1994, S. 318–322 (s. Seite 153 )

[Ren01]

Renear, Allen: The descriptive/procedural distinction is flawed. In: Markup

Languages: Theory & Practice 2 (2001), Sep, Nr. 4, S. 411–420 ( s. Seite 45 )

[RFC791]

Postel, Jon: Internet Protocol – Darpa Internet Program Protocol Specification /

Information Sciences Institute, University of Southern California. Version:

Sep 1981. http://www.rfc-editor.org/rfc/rfc791.txt. 1981 (791)

(s. Seite 232 )

[RFC1630]

Berners-Lee, Tim: Universal Resource Identifiers in WWW / Conseil Eu-

ropéen pour la Recherche Nucléaire (CERN). Version: Jun 1994.

http:

//www.rfc-editor.org/rfc/rfc1630.txt. 1994 (1630) (s. Seite 236 )

[RFC2616]

Fielding, Roy T. ; Gettys, Jim ; Mogul, Jeffrey ; Nielsen, Henrik F. ; Masin-

ter, Larry ; Leach, Paul ; Berners-Lee, Tim: Hypertext Transfer Protocol – HTT-

P/1.1. Version: June 1999.

http://www.rfc-editor.org/rfc/rfc2616.txt

1999 (2616) (s. Seite 232 )

[RGP

12]

Riehmann, Patrick; Gruendl, Henning ; Potthast, Martin ; Trenkmann,

Martin ; Stein, Benno ; Froehlich, Bernd: WordGraph: Keyword-in-Context

Visualization for Netspeak’s Wildcard Search. In: IEEE Transactions on Visuali-

zation and Computer Graphics (2012), Sep, S. 1411–1423 (s. Seite 113 )

[Rij79]

Rijsbergen, Cornelis J.: Information Retrieval. Butterworth, 1979

(s. Seite 95 )

[Ris14]

Risam, Roopika: Rethinking Peer Review in the Age of Digital Humanities.

In: Ada: A Journal of Gender, New Media, and Technology (2014), Apr, Nr. 4, S. #6

(s. Seite 4 )

[RLJ99]

Raggett, Dave ; Le Hors, Arnaud ; Jacobs, Ian: HTML 4.01 Specification / W3C.

Version: Dez 1999. http://www.w3.org/TR/html4. 1999 (401-19991224)

(s. Seite 232 )

220

Literaturverzeichnis

[RMD96]

Renear, Allen ; Mylonas, Elli ; Durand, David: Refining Our Notion of

What Text Really Is: The Problem of Overlapping Hierarchies. In: Hockey,

Susan (Hrsg.) ; Ide, Nancy (Hrsg.): Selected Papers from the 1992 Conference of

the Association for Computers and the Humanities (ALLC) and the Association for

Literary and Linguistic Computing (ACH), Clarendon Press, Sep 1996 (Research

in Humanities Computing 4), S. 263–280 (s. Seiten 35 und 36 )

[RN11]

Rodriguez, Marko A. ; Neubauer, Peter: The Graph Traversal Pattern. In:

Sakr, Sherif (Hrsg.) ; Pardede, Eric (Hrsg.): Graph Data Management: Techniques

and Applications. Information Science Reference, 2011, Kapitel 2, S. 29–46

(s. Seiten 52, 55, 57, 75 und 174)

[Rod15]

Rodriguez, Marko A.: The Gremlin Graph Traversal Machine and Language.

In: Proceedings of the 15th Symposium on Database Programming Languages, 2015,

S. 1–10 (s. Seiten 63 und 179 )

[Ros03]

Rosenzweig, Roy: Scarcity or Abundance? Preserving the Past in a Digital

Era. In: American Historical Review 108 (2003), Jun, Nr. 3, S. 735–762

(s. Seite 6 )

[RRS11]

Ruecker, Stan (Hrsg.) ; Radzikowska, Milena (Hrsg.) ; Sinclair, Stéfan

(Hrsg.): Visual Interface Design for Digital Cultural Heritage – A Guide to Rich-

Prospect Browsing. Ashgate/Routledge, 2011 (s. Seite 179 )

[RS16]

Repko, Allen F. ; Szostak, Richard: Interdisciplinary Research:Processand Theory.

3. Auflage. SAGE Publications, 2016 (s. Seite 186 )

[Rue15]

Ruecker, Stan: A Brief Taxonomy of Prototypes for the Digital Humanities.

In: Scholarly and Research Communication 6 (2015), Oct, Nr. 2, 1-11.

http://

src-online.ca/index.php/src/article/view/222/415 ( s. Seite 74)

[RV13]

Rousseau, François ; Vazirgiannis, Michalis: Graph-of-word and TW-IDF

- New Approach to Ad Hoc IR. In: Proceedings of the 22nd ACM international

conference on Information & Knowledge Management (CIKM), 2013, S. 59–68

(s. Seiten 66 und 108 )

[RWE13]

Robinson, Ian ; Webber, Jim ; Eifrem, Emil: Graph Databases. O’Reilly Media,

Inc., 2013. ISBN 1449356265, 9781449356262 (s. Seite 50 )

221

Literaturverzeichnis

[RWJ

94]

Robertson, Stephen E. ; Walker, S. ; Jones, S. ; Hancock-Beaulieu, M. M. ;

Gatford, M.: Okapi at TREC–3. In: Proceedings of the Third Text REtrieval

Conference, 1994, S. 109–126 (s. Seite 97 )

[SA82]

Spence, Robert ; Apperley, Mark: Data base navigation: an office environ-

ment for the professional. In: Behaviour and Information Technology 1 (1982),

Nr. 1, S. 43–54 (s. Seite 111 )

[Sac09]

Sacco, Giovanni M.: The Model. In: Sacco, Giovanni M. (Hrsg.) ; Tzitzikas,

Yannis (Hrsg.): Dynamic Taxonomies and Faceted Search – Theory, Practice, and

Experience. Springer, 2009, S. 1–17 (s. Seite 99 )

[Sah13]

Sahle, Patrick: Schriften des Instituts für Dokumentologie und Editorik. Bd. 9:

Digitale Editionsformen, Zum Umgang mit der Überlieferung unter den Bedingungen

des Medienwandels (3): Textbegriffe und Recodierung. Books on Demand, Nor-

derstedt, 2013 ( s. Seite 64)

[Sah15]

Sahlgren, Magnus: A brief history of word embeddings (and some clarificati-

ons). Blogeintrag (2015-09-30).

http://www.gavagai.se/blog/2015/09/30/

a-brief-history-of-word-embeddings/. Stand: 2015 (s. Seite 40 )

[SBdI14]

Simon, Rainer ; Barker, Elton ; de Soto, Pau ; Isaksen, Leif: Pelagios. In:

Elliott, Thomas (Hrsg.) ; Heath, Sebastian (Hrsg.) ; Muccigrosso, John

(Hrsg.): Current Practice in Linked Open Data for the Ancient World Bd. 7. Ancient

World Digital Library (AWDL), 2014 Institute for the Study of the Ancient

World (ISAW) Papers, S. #27 (s. Seite 141 )

[Sch99]

Schwegmann, Ansgar ; Becker, Jörg (Hrsg.) ; Grob, Heinz L. (Hrsg.) ; Klein,

Stefan (Hrsg.): Objektorientierte Referenzmodellierung - Theoretische Grundla-

gen und praktische Anwendung. Deutscher Universitätsverlag; Springer, 1999

(Gabler Edtion Wissenschaft - Informationsmanagement und Controlling)

(s. Seite 178 )

[Sch06]

Schmidt, Desmond: Graphical Editor for Manuscripts. In: Literary and Lin-

guistic Computing (LLC) 21 (2006), Nr. 3, S. 341–351 ( s. Seite 67)

[Sch10]

Schmidt, Desmond: The inadequacy of embedded markup for cultural

heritage texts. In: Literary and Linguistic Computing (LLC) 25 (2010), Apr, Nr. 3,

S. 337–356 ( s. Seiten 37 und 67)

222

Literaturverzeichnis

[Sch14]

Schmidt, Desmond: Towards an Interoperable Digital Scholarly Edition. In:

Journal of the Text Encoding Initiative (2014), Nov, Nr. 7 (s. Seite 45 )

[SEB13]

Scharloth, Joachim; Eugster, David ; Bubenhofer, Noah: Das Wuchern

der Rhizome. Linguistische Diskursanalyse und Data-driven Turn. In: Busse,

Dietrich (Hrsg.) ; Teubert, Wolfgang (Hrsg.): Linguistische Diskursanalyse: neue

Perspektiven. Springer VS Verlag, 2013 Interdisziplinäre Diskursforschung.

(Interdisziplinäre Diskursforschung), S. 345–380 (s. Seite 16 )

[SET09]

Segaran, Roby ; Evans, Colin ; Taylor, Jamie: Programming the Semantic

Web – Build Flexible Applications with Graph Data. O’Reilly Media, Inc., 2009

(s. Seite 61 )

[SFSK15]

Sun, Wen ; Fokoue, Achille ; Srinivas, Kavitha ; Kementsietsidis, Anasta-

sios: SQLGraph: An Efficient Relational-Based Property Graph Store. In:

Proceedings of the ACM Special Interest Group on Management of Data (SIGMOD)

International Conference on Management of Data, 2015, S. 1887–1901

(s. Seite 55 )

[Sha48]

Shannon, Claude E.: A Mathematical Theory of Communication. In: The Bell

System Technical Journal 27 (1948), Juli, Oktober, S. 379–423, 623–656

(s. Seite 166 )

[Sha08]

Sharp, Robin: Principles of Protocol Design. Springer-Verlag, Berlin, Heidelberg,

2008 (s. Seite 85 )

[Sin03]

Sinclair, Stéfan: Computer-Assisted Reading - Reconceiving Text Analysis.

In: Literary and Linguistic Computing (LLC) 18 (2003), Nr. 2, S. 175–184

(s. Seite 65 )

[SJBL16]

Sharma, Aneesh ; Jiang, Jerry ; Bommannavar, Praveen ; Lin, Jimmy: Graph-

Jet: Real-Time Content Recommendations at Twitter. In: Proceedings of the

International Conference on Very Large Data Bases (VLDB) Bd. 9, 2016 (Procee-

dings of the VLDB Endowment 13), S. 1281–1292 ( s. Seite 191 )

[SK12]

Spivak, David I. ; Kent, Robert E.: Ologs: A Categorical Framework for Know-

ledge Representation. In: PLoS ONE (2012) (s. Seite 54 )

223

Literaturverzeichnis

[SL16]

Stulpe, Alexander ; Lemke, Matthias: Blended Reading – Theoretische und

praktische Dimensionen der Analyse von Text und sozialer Wirklichkeit

im Zeitalter der Digitalisierung. In: Lemke, Matthias (Hrsg.) ; Wiedemann,

Gregor (Hrsg.): Text Mining in den Sozialwissenschaften – Grundlagen und An-

wendungen zwischen qualitativer und quantitativer Diskursanalyse. Springer VS

Verlag, 2016, S. 17–61 (s. Seite 20 )

[SLK

14]

Sporny, Manu ; Longley, Dave ; Kellogg, Gregg ; Lanthaler, Markus ; Lind-

ström, Niklas: JSON-LD 1.0 – A JSON-based Serialization for Linked Data / W3C.

Version: Jan 2014.

http://www.w3.org/TR/json-ld/

. 2014 (401-19991224)

(s. Seiten 61 und 190 )

[SM99]

Shipman, Frank M. III; Marshall, Catherine C.: Formality Considered

Harmful: Experiences, Emerging Themes, and Directions on the Use of Formal

Representations in Interactive Systems. In: Computer-Supported Cooperative

Work 8 (1999), Nr. 4, S. 333–352 ( s. Seiten 133 und 178)

[SMHR00]

Sperberg-McQueen, C. M. ; Huitfeldt, Claus ; Renear, Allen: Meaning and

interpretation of markup. In: Markup Languages: Theory & Practice 2 (2000), Nr.

3 (s. Seite 60 )

[Spi03]

Spinrad, Jeremy P.: Fields Institute monographs. Bd. 19: Efficient Graph Repre-

sentations. American Mathematical Society, 2003 (s. Seite 54 )

[Sri11]

Srinivasa, Srinath: Data, Storage and Index Models for Graph Databases. In:

Sakr, Sherif (Hrsg.) ; Pardede, Eric (Hrsg.): Graph Data Management: Techniques

and Applications. Information Schience Reference, 2011, Kapitel 3, S. 47–70

(s. Seite 80 )

[SS09]

Stede, Manfred ; Suriyawongkul, Arthit: Identifying Logical Structure

and Content Structure in Loosely-Structured Documents. In: Witt, Andreas

(Hrsg.) ; Metzing, Dieter (Hrsg.): Linguistic Modeling of Information and Markup

Languages – Contributions to Language Technology Bd. 40. Springer, 2009 Text,

Speech and Language Technology, S. 81–96 (s. Seite 35)

224

Literaturverzeichnis

[SS13]

Schulze, Matthias ; Stockmann, Ralf: Open Science und Networked Science

– Offenheit und Vernetzung als Leitmotive und Visionen einer digitalen Wis-

senschaft im 21. Jahrhundert. In: Neuroth, Heike (Hrsg.) ; Lossau, Norbert

(Hrsg.) ; Rapp, Andrea (Hrsg.): Evolution der Informationsinfrastruktur – Koope-

ration zwischen Bibliothek und Wissenschaft. Verlag Werner Hülsbusch, 2013, S.

31–38 (s. Seite 3 )

[SSB16]

Stutz, Philip ; Strebel, Daniel ; Bernstein, Abraham: Signal/collect12:

processing large graphs in seconds. In: Semantic Web–Interoperability, Usability,

Applicability (IOS Press) 7 (2016), Nr. 2, S. 139–166 (s. Seite 192 )

[SSU04]

Schreibman, Susan (Hrsg.) ; Siemens, Ray (Hrsg.) ; Unsworth, John (Hrsg.):

A Companion to Digital Humanities. Oxford : Blackwell Publishing, 2004

http:

//www.digitalhumanities.org/companion/ (s. Seite 17 )

[Sve12]

Svensson, Patrik: Envisioning the Digital Humanities. In: Digital Humanities

Quarterly (DHQ) 6 (2012), Nr. 1, S. #3 (s. Seite 17 )

[SW09]

Smith, D. N. ; Weaver, Gabriel A.: Applying Domain Knowledge from Structured

Citation Formats to Text and Data Mining: Examples Using the CITE Architecture /

Department of Computer Science - Dartmouth College. 2009 (TR2009-649)

(s. Seite 28 )

[SWMM13]

Simon, Agnès ; Wenz, Romain ; Michel, Vincent ; Mascio, Adrien D.: Publis-

hing Bibliographic Records on the Web of Data: Opportunities for the BnF

(French National Library). In: Proceedings of the 10th European Semantic Web

Conference (ESWC) – The Semantic Web: Semantics and Big Data Bd. 7882, 2013

(Lecture Notes in Computer Science), S. 563–577 ( s. Seite 159 )

[SWX12]

Shao, Bin ; Wang, Haixun ; Xiao, Yanghua: Managing and Mining Large Gra-

phs: Systems and Implementations. In: Proceedings of the ACM Special Interest

Group on Management of Data (SIGMOD) International Conference on Management

of Data, 2012, S. 589–592 (s. Seite 192 )

[SWY75]

Salton, Gerard ; Wong, A. ; Yang, C. S.: A Vector Space Model for Automatic

Indexing. In: Communications of the ACM 18 (1975), Nov, Nr. 11, S. 613–620

(s. Seiten 97 und 112 )

225

Literaturverzeichnis

[TEIP5]

TEI Consortium (Hrsg.): TEI P5: Guidelines for Electronic Text Encoding and

Interchange. Text Encoding Initiative, 2016 ( Version 3.0.0).

http://www.

tei-c.org/Guidelines/P5/ (s. Seiten 37 und 235 )

[TKG15]

Treeratpituk, Pucktada ; Khabsa, Madian ; Giles, C. L.: Automatically

Generating a Concept Hierarchy with Graphs. In: Proceedings of the 15th

ACM/IEEE-CS Joint Conference on Digital Libraries, 2015, S. 265–266

(s. Seite 177 )

[TMK

06]

Tummarello, Giovanni ; Morbidoni, Christian ; Kepler, Fabio N. ; Piazza,

Francesco ; Puliti, Paolo: A novel Textual Encoding paradigm based on

Semantic Web tools and semantics. In: Proceedings of the 5th international

Conference on Language Resources and Evaluation (LREC), 2006, S. 247–252

(s. Seite 67 )

[TP10]

Turney, Peter D. ; Pantel, Patrick: From Frequency to Meaning: Vector

Space Models of Semantics. In: Journal of Artificial Intelligence Research (2010),

Nr. 37, S. 141–188 (s. Seite 40 )

[Tri73]

Trier, Jost: Sprachliche Felder. In: Lee, Anthony van d. (Hrsg.) ; Reichmann,

Oskar (Hrsg.): Aufsätze und Vorträge zur Wortfeldtheorie. Posthume Gesamtaus-

gabe. Mouton, 1973, S. 93–109 (s. Seite 103 )

[Tri06]

Trippel, Thorsten: The Lexicon Graph Model: A generic model for multimodal

lexicon development, Universität Bielefeld, Dissertationsschrift, 2006

(s. Seite 67 )

[TWD

13]

Thiyagalingam, Jeyarajan; Walton, Simon ; Duffy, Brian ; Trefethen, An-

ne ; Chen, Min: Complexity Plots. In: Preim, Bernhard (Hrsg.) ; Rheingans,

Penny (Hrsg.) ; Theisel, Holger (Hrsg.): Proceedings of the Eurographics Confe-

rence on Visualization (EuroVis) 2013 Bd. 32, 2013 (Eurographics Conference on

Visualization 3), S. 111–120 (s. Seite 118 )

[Uns00]

Unsworth, John: Scholarly Primitives: what methods do humanities resear-

chers have in common, and how might our tools reflect this? In: Symposium

on "Humanities Computing: formal methods, experimental practice", King’s College,

London (2000).

http://jefferson.village.virginia.edu/~jmu2m/Kings.

5-00/primitives.html (s. Seite 22 )

226

Literaturverzeichnis

[VGB61]

Verhoeff, Jacobus ; Goffman, William ; Belzer, Jack: Inefficiency of the Use

of Boolean Functions for Information Retrieval Systems. In: Communications

of the ACM 4 (1961), Nr. 12, 557–558.

http://dx.doi.org/10.1145/366853.

366861. DOI 10.1145/366853.366861 (s. Seite 98 )

[VMZ

10]

Vicknair, Chad ; Macias, Michael ; Zhao, Zhendong ; Nan, Xiaofei ; Chen,

Yixin ; Wilkins, Dawn: A Comparison of a Graph Database and a Relational

Database – A Data Provenance Perspective. In: Proceedings of the 48th Annual

Southeast Regional Conference (SE) of the Association for Computing Machinery

(ACM) (2010), S. #42 (s. Seite 193 )

[WAB

09]

Wittenburg, Peter ; Agatonovich, Milan ; Bel, Nuria ; Bel, Santi ; Büch-

ler, Marco; Cristea, Dan ; Fritzinger, Fabienne ; Hinrichs, Erhard ; Hin-

richs, Marie ; Kemps-Snijders, Radu Ionand M.; Rodriguez, Yana Pan-

chenkoand V. ; Schmid, Helmut ; Quasthoff, Uwe ; Villegas, Martha ;

Zastrow, Thomas: Requirements Specification Web Services and Workflow

Systems / CLARIN. Version: Jun 2009.

http://www.clarin.eu/files/

wg2-6-requirements-doc-v2.pdf. 2009 (CLARIN-2009-1) (s. Seite 26 )

[Wit04]

Witt, Andreas: Linguistische Informationsmodellierung mit XML. In: Meh-

ler, Alexander (Hrsg.) ; Lobin, Henning (Hrsg.): Automatische Textanalyse:

Systeme und Methoden zur Annotation und Analyse Natürlichsprachiger Texte. VS

Verlag für Sozialwissenschaften, 2004, S. 39–54 (s. Seite 36 )

[Woo12]

Wood, Peter T.: Query Languages for Graph Databases. In: ACM Special Interest

Group on Management of Data (SIGMOD) Record 41 (2012), Nr. 1, S. 50–60

(s. Seite 62 )

[Yau13]

Yau, Nathan ; Lowe, Jen (Hrsg.): Data Points – Visualization that Means Some-

thing. Ex. 01. John Wiley & Sons, 2013 (s. Seite 104 )

[ZAB

12]

Zundert, Joris van ; Antonijevic, Smiljana ; Beaulieu, Anne ; Dalen-Oskam,

Karina van; Zeldenrust, Douwe; Andrews, Tara L.: Cultures of Formalisa-

tion: Towards an Encounter betwen Humanities and Computing. In: Berry,

David M. (Hrsg.): Understanding Digital Humanities. Palgrave Macmillan, 2012,

S. 279–294 ( s. Seite 188 )

227

Literaturverzeichnis

[Zac77]

Zachary, Wayne W.: An Information Flow Model for Conflict and Fission in

Small Groups. In: Journal of Anthropological Research 33 (1977), Nr. 4, S. 452–473

(s. Seiten 51, 130 und 180 )

[ZCYL08]

Zou, Lei ; Chen, Lei ; Yu, Jeffrey X. ; Lu, Yansheng: A Novel Spectral Coding

in a Large Graph Database. In: Proceedings of the 11th International Conference

on Extending Database Technology (EDBT) Advances in Database Technology (2008),

S. 181–192 (s. Seite 54 )

[Zie05]

Ziem, Alexander: Frame-SemantikundDiskursanalyse– Zur Verwandtschaftzweier

Wissensanalysen.

http://www.phil-fak.uni-duesseldorf.de/fileadmin/

Redaktion/Institute/Germanistik/Konstruktionsgrammatik/

ZiemFrames_Diskurs.pdf

. Stand: Jun 2005. Einreichung für die Kon-

ferenz Diskursanalyse in Deutschland und Frankreich. Aktuelle Tendenzen

in den Sozial- und Sprachwissenschaften ( s. Seite 103 )

[Zip32]

Zipf, George K.: Selected Studies of the Principle of Relative Frequency in Language.

Harvard University Press, 1932 (s. Seite 116 )

[ZR10]

Zipser, Florian ; Romary, Laurent: A model oriented approach to the map-

ping of annotation formats using standards. In: Proceedings of the International

Conference on Language Resources and Evaluation (LREC) Workshop on Language

Resource and Language Technology Standards (LRLTS), 2010, S. 7–18

(s. Seite 66 )

[Zwe16]

Zweig, Katharina A.: Are Word-Adjacency Networks Networks? In: Mehler,

Alexander (Hrsg.) ; Lücking, Andy (Hrsg.) ; Banisch, Sven (Hrsg.) ; Blan-

chard, Philippe (Hrsg.) ; Job, Barbara (Hrsg.): Towards a Theoretical Framework

for Analyzing Complex Linguistic Networks. Springer, 2016 Understanding Com-

plex Systems. (Understanding Complex Systems), S. 153–163 (s. Seite 189 )

228

Abkürzungsverzeichnis

ACID Atomicity, Consistency, Isolation, Durability,

Wesentliche Grundanforderungen an relationale Datenbanksysteme, eingeführt in

[HR83].

ADHO Alliance of Digital Humanities Organizations,

Internationaler Dachverband von Regionalen Vereinigungen für die Digitalen Geistes-

wissenschaften. – Webseite: http://adho.org/.

AJAX Asynchronous JavaScript and XML,

Eine weit verbreitete Technik, um über eine Serie von Requests eine asynchrone Kom-

munikation zwischenWebbrowser und Webserver zuerreichen,während eineWebseite

betrachtet wird.

ANNIE A Nearly-New Information Extraction System,

Eine NER-Komponente des GATE-Frameworks.

API Application Programming Interface,

Die Gesamtheit aller Funktionen, die ein Softwareprodukt anderen Programmen zur

Verfügung stellt, sowie die Bezeichnung der dafür geschaffenen Schnittstelle.

BASE Basically Available, Soft state, Eventually consistent,

Praxisrelevante Eigenschaften eines verteilten datenhaltenden Systems, welche einen

Kompromiss zwischen den Extremen des CAP-Theorems darstellen.

BnF Bibliothèque nationale de France,

Die Französische Nationalbibliothek, mit einem Sammelauftrag, u. a. für alle franzö-

sischsprachigen sowie alle in Frankreich verlegten Publikationen. – Webseite:

http:

//www.bnf.fr/.

BPEL (Web Services) Business Process Execution Language,

Eine XML-basierte Sprache zur Beschreibung von Geschäftsprozessen auf der Grund-

lage von Webservices. – Webseite:

http://docs.oasis-open.org/wsbpel/2.0/

OS/wsbpel-v2.0-OS.html.

229

Abkürzungsverzeichnis

CAP Consistency, Availability, Partition tolerance,

Die einander beeinflussenden Aspekte der Konsistenz, Verfügbarkeit und Partitionsto-

leranz von verteilten (Datenbank-)Systemen.

CIDOC

International Committee for Documentation of the International Coun-

cil of Museums,

Ein internationaler Verbund zur Weiterentwickung vonDokumentationsmöglichkeiten

für Museumssammlungen. – Webseite: http://cidoc.icom.museum/.

CITE Collections, Indices, Texts, and Extensions,

Einevom "HomerMultitext Project" konzipierteSammlung vonProtokollenund Forma-

ten für das Verwalten, Austauschen und wissenschaftliche Zitieren von (primär textu-

ellen) Quellen. – Webseite:

http://www.homermultitext.org/hmt-doc/cite/

CLARIN Common Language Resources and Technologies Infrastructure,

Ein europäisches Projekt zur Schaffung einer Forschungs-Infrastruktur für geistes-

wissenschaftliche Quellen, Sprachressourcen und -technologien sowie Werkzeuge und

Services. – Webseite: http://www.clarin.eu/.

CMDI Component Metadata Infrastructure,

Ein von CLARIN initiierter Standard für die Definition rekombinierbarer wiederver-

wendbarer Vorlagen für Metadatensätze [ISO24622].

CQL Corpus Query Language,

Eine Abfragesprache für linguistisch annotierte Korpora, beschrieben (noch ohne

diesen Namen) z. B. in [CS96].

CREOLE a Collection of REusable Objects for Language Engineering,

Der Verbund von Komponentenbibliothek, Typhierarchie und Plugin-Architektur in

GATE.

CRM Conceptual Reference Model,

Eine Referenzontologie der CIDOC für den Austausch im Bereich des Kulturellen Erbes,

[ISO21127].

CRUD Create, Read, Update, Delete,

Grundlegende Operationen für die Interaktion mit Datenbanksystemen.

CSS Cascading Style Sheets,

Eine regelbasierte Sprache für die Gestaltung von HTML-Dokumenten über Elemente-

Selektoren und Eigenschaften-Wert-Paare.

230

Abkürzungsverzeichnis

CTS Canonical Text Services,

Teil der CITE-Infrastruktur, der sich mit der Definition eines Referenzierungsschemas

und verschiedener Zugriffsmethoden für hierarchisch strukturierte Texte beschäftigt.

DARIAH Digital Research Infrastructure for the Arts and Humanities,

Ein europäisches Projekt zur Schaffung einer Forschungs-Infrastruktur für geistes-

und kunstwissenschaftliche Forschung. – Webseite: http://www.clarin.eu/.

DFG Deutsche Forschungsgemeinschaft,

Die zentrale Organisation zur Forschungsförderung an Hochschulen und öffentlich

finanzierten Forschungsinstituten in Deutschland. – Webseite:

http://www.dfg.

de/.

DOM Document Object Model,

Ein Datenmodell und eine dazugehörige Programmierschnittstelle zum Auslesen und

Bearbeiten von hierarchisch gegliederten Dokumenten.

DSL Domain Specific Language,

Eine für einen bestimmten Einsatzzweck konzipierte Beschreibungs- oder Program-

miersprache, die oft Syntax und Ausführungsumgebung einer universellen Sprache

mittels Makro- oder Funktionsdefinitionen um spezifische Funktionen erweitert.

EARMARK Extremely Annotational RDF Markup,

Ein System zur Modellierung überlappender Textannotationen mittels Semantic-Web-

Technologien [DIPV11].

ERM Entity-Relationship Model,

Ein Werkzeug zur abstrahierten Modellierung von Entitäten sowie ihren gegenseitigen

Abhängigkeiten innerhalb einer Wissensdomäne [Che76].

ETL Extract, Transform, Load,

Datenextraktion, -umformung und strukturiertes Einlesen bei der Datenintegration,

meist im Umfeld von Data Warehouses und Data-Mining-Anwendungen.

FRBR Functional Requirements for Bibliographic Records,

Ein Systemvon Entitäten unterschiedlicher Abstraktionsgrade, diemit entsprechenden

Eigenschaftenund Relationen fürdie BeschreibungbibliographischerAngaben genutzt

werden können [MBJ

98].

231

Abkürzungsverzeichnis

GATE General Architecture for Text Engineering,

eine Programmarchitektur und umfangreiche Werkzeugsammlung für die automati-

sche Sprachverarbeitung [CMBT02].

GNU GNU’s Not Unix,

Ein freies und quelloffenes Betriebssystem inklusive einer großen und auch in anderen

Betriebssystemen populären Sammlung von Hilfsprogrammen.

HTML Hypertext Markup Language,

Eine SGML-basierte Hypertextsprache, Standarddateiformat im World Wide Web,

[RLJ99].

HTTP Hypertext Transfer Protocol,

Ein Internet-Protokoll der Anwendungsschicht zur Anfrage und Übertragung von

Hypertext-Dokumenten und anderen Dateien [RFC2616].

ICU International Components for Unicode,

Eine Sammlung von (mittlerweile durch das Unicode-Konsortium gelenkten) Referenz-

implentierungen von Unicode- und Globalisierungs-Funktionen.

IP Internet Protocol,

Ein verbindungsloses paketvermittelndes Protokoll, das die Basis der Internetkommu-

nikation bildet [RFC791].

ISO International Organization for Standardization,

Die internationale Dachorganisation nationaler Standardisierungsinstitute und -

gremien. – Webseite: http:// www.iso.org/.

JAPE Java Annotation Patterns Engine,

Die Musterbeschreibungs-Komponente von GATE.

JSON JavaScript Object Notation,

Ein populäres und leichtgewichtiges Serialisierungs- und Austauschformat auf der

Basis von JavaScript-Syntaxelementen.

LOD Linked Open Data,

Ein verteiltes System frei verfügbarer Datensammlungen, die über die entsprechenden

Beschreibungs- und Referenzierungsmechanismen des Semantic Web modelliert und

miteinander verbunden sind.

MARC MAchine-Readable Cataloging,

Ein Datenformat für bibliographische Katalogeinträge, codiert nach [ISO2709].

232

Abkürzungsverzeichnis

MODS Metadata Object Description Schema,

Ein von der Library of Congress entwickeltes Metadatenformat für den Bibliotheks-

bereich, das sich an MARC orientiert und Möglichkeiten zur Abbildung zusätzlicher

Eigenschaften bietet.

NER Named Entity Recognition,

Eigennamenerkennung, oft einhergehend mit der Einordnung in Typen von Entitäten.

NFC Normalization Form Canonical Composition,

In Unicode die systematische Wahl von sequenziellen Einzel-Kodierungspunkten als

Normalisierungsformen für Zeichen, die aus mehreren Komponenten bestehen.

NFD Normalization Form Canonical Decomposition,

In Unicode die systematische Wahl von Kodierungspunkten, die vorkombinierte Zei-

chen beschreiben, als Normalisierungsformen für Zeichen, die aus mehreren Kompo-

nenten bestehen.

NLP Natural Language Processing,

Verfahren für die digitale Verarbeitung, Strukturierung und Analyse natürlichspra-

chiger Textdokumente; zu deutsch: Automatische Sprachverarbeitung.

NoSQL Not only SQL,

Sammelbegriff für Datenbanksysteme, in denen (verglichen mit herkömmlichen rela-

tionalen Systemen) alternative Ansätze im Hinblick auf Modellierung, Speicherung

und Abfrage der Einträge verfolgt werden.

OAI Open Archives Initiative,

Eine Initiative zur Förderung von standardisierten Austauschmöglichkeiten für digi-

tale Inhalte. – Webseite: http://www.openarchives.org/.

OAI-PMH OAI Protocol for Metadata Harvesting,

Ein von der OAI entwickeltes Protokoll inklusive einer Schnittstellenbeschreibung

für die automatische Übernahme von Metadaten aus verteilten Quellen. – Webseite:

http://www.openarchives.org/pmh/.

OASIS

Organization for the Advancement of Structured Information Stan-

dards,

Ein internationales Konsortium für die Entwicklung von Standards für Dokumenten-,

Geschäfts- und Webtechnologien. – Webseite: http://www.oasis-open.org/.

233

Abkürzungsverzeichnis

OCR Optical Character Recognition,

Die automatische Erkennung von Text in Rasterbildern.

OHCO Ordered Hierarchy of Content Objects,

Ein Modell für Text als baum-strukturierte Schachtelung von Inhalten [DDMR90].

OLAP On-line Analytical Processing,

Zugriffsmodus auf Datenbankensysteme, bei dem das Nutzungsszenario des Auslesens

und Auswertens großer Datenmengen im Vordergrund steht.

OLTP On-line Transaction Processing,

Zugriffsmodus auf Datenbankensysteme, bei dem ein schnelles Antwortverhalten bei

der Prozessierung kleinerer bis mittelgroßer Datenmengen im Vordergrund steht.

OSI Open Systems Interconnection,

Eine Initiativ der International Organization for Standardization (ISO) zur Standardi-

sierung verschiedener Aspekte der Kommunikation in Computernetzwerken.

OWL OWL Web Ontology Language,

Eine vom WWW Consortium (W3C) standardisierte Beschreibungssprache für Ontolo-

gien [Version 1: MH04], [Version 2: OWL09a, OWL09b].

PARTHENOS

Pooling Activities, Resources and Tools for Heritage E-research Net-

working, Optimization and Synergies,

Ein europäischer Verbund aus Infrastrukturprojekten für die Geisteswissenschaften,

der die Zusammenarbeit seiner Partnerorganisationen fördern und leiten soll. – Web-

seite: http:// parthenos-project.eu/.

PDF Portable Document Format,

Ein Binärformat für Dokumente, welches hauptsächlich zur plattformunabhängigen

Bildschirmanzeige oder für die Druckvorstufe verwendet wird [ISO32000].

POS Part-of-Speech,

Die Lexikalische Kategorie; Klassen von Wörtern, die gemeinsame morphosyntaktische

Eigenschaften aufweisen.

RDF Resource Description Framework,

Mehrere Standards des W3C zur URL-basierten Identifizierung und Beschreibung von

Entitäten und Metadaten im Kontext des Semantic Web.

234

Abkürzungsverzeichnis

RDFS RDF Schema,

Eine Sprache zur Schemadefinition für RDF-Daten, die grundlegende Funktionen zur

Beschreibung von Ontologie enthält.

REST Representational State Transfer,

Eine Bezeichnung für Webservices, die bestimmten Kriterien, wie z.B. einem nach

außen zustandslosen Verhalten genügt [Fie00].

SGML Standard Generalized Markup Language,

Eine textuelle, auf Tags basierende und hierarchische Auszeichnungssprache für Da-

ten.

SKOS Simple Knowledge Organization System,

Ein für die Nutzung im Semantic Web entwickeltes Vokabular zur Wissensorganisation

[MB09].

SOAP Simple Object Access Protocol,

Ein von der W3C entwickeltes und als "leichtgewichtig" bezeichnetes Protokoll für

Informationsaustausch und den Betrieb von Webservices auf der Basis von XML.

[BEK

04].

SPARQL SPARQL Protocol And RDF Query Language,

Eine deklarative Abfragesprache für graphförmige Daten, die nach dem RDF-Daten-

modell modelliert wurden.

SQL Structured Query Language,

Eine seit den 1970er Jahren entwickelte Abfragesprache für relationale Datenbanksys-

teme [ISO9075].

TaDiRAH Taxonomy of Digital Research Activities in the Humanities,

Eine Initiative zur formellen Beschreibung von geisteswissenschaftlichen Forschungs-

aktivitäten.

TCP Transmission Control Protocol,

Ein verbindungsorientiertes, IP-Pakete vermittelndes Internet-Transportprotokoll mit

Optionen zur Flusssteuerung.

TEI Text Encoding Initiative,

Eine Initiative für die Erarbeitung von Kodierungsrichtlinien und Austauschformaten

für wissenschaftlich erfasste Textquellen [

TEIP5

]. – Webseite:

http://www.tei-c.

org/.

235

Abkürzungsverzeichnis

TMQL Topic Maps Query Language,

Eine Abfragesprache für Topic Maps, deren Standardisierung (als ISO 18048) nicht

abgeschlossen wurde.

UIMA Unstructured Information Management Architecture,

Eine Programminfrastruktur für den Umgang mit unstrukturierten Daten und für

automatische Sprachverarbeitung; ehemals von IBM entwickelt, mittlerweile von

der Organization for the Advancement of Structured Information Standards (OASIS)

standardisiert.

URI Uniform Ressource Identifier,

Eine Zeichenkette zur Identifikation von Ressourcen im Kontext des WWW [

RFC1630

URL Uniform Ressource Locator,

Eine Adresse (URI), die Ort und Zugriffsart einer digitalen Ressource (z.B. Webseite)

angibt.

URN Uniform Ressource Name,

Eine Bezeichnung (URI), die Name und Namensschema einer digitalen Ressource

angibt.

UTF Unicode Transformation Format,

Eine Familie verschiedener Binärkodierungen für Unicode-Zeichen.

VIAF Virtual International Authority File,

Eine weltweite Initiative für den Zusammenschluss von Normdatensammlungen. –

Webseite: http://viaf.org/.

W3C WWW Consortium,

Ein internationales Gremium, welches Protokolle und Standards für ein stetiges Wachs-

tum des WWW entwickelt. – Webseite: http://www.w3.org/.

WSDL

Web Service Description Language bzw. Web Service Definition Lan-

guage,

Eine vom W3C standardisierte Beschreibungssprache für die verschiedenen Schnitt-

stellenaspekte von Webservices.

WWW World Wide Web,

Der Verbund verteilter und durch Hyperlinks verknüpfter Informationsressourcen im

Internet, die als Service (hauptsächlich über das HTTP) bereitgestellt werden.

236

Abkürzungsverzeichnis

XML Extensible Markup Language,

Eine aus SGML hervorgegangene, textuelle und auf Tags basierende hierarchische

Auszeichnungssprache für Daten, s. [BPSM

06].

XSL XML Stylesheet Language,

Eine Sammlung von XML-basierten Verfahren für die Umformung von XML-Inhalten.

XSL-FO XSL Formatting Objects,

Eine XML-basierte Sprache für die Repräsentation der Rohinhalte und (ausgabeorien-

tierten) Formatierungen von Dokumenten.

XSLT XSL Transformation,

Eine XML-basierte Sprache für die programmatische Transformation von XML-

Dokumenten in andere Document Object Model (DOM)-Repräsentationen.

237

Abbildungsverzeichnis

2.1 Einordnung der e-Humanities ins Fächergefüge . . . . . . . . . . . . . . . 19

3.1 Minimales Textdatenmodell . . . . . . . . . . . . . . . . . . . . . . . . . . 76

3.2 Schema der tokenzentrierten Datenmodellierung . . . . . . . . . . . . . . 77

3.3 Verknüpfungsvarianten für Hierarchie und Sequenz . . . . . . . . . . . . 78

3.4 Verknüpfung von Knoten für direkte Hierarchiesprünge . . . . . . . . . . 80

3.5 Architektur und Komponenten der Kadmos-Umgebung . . . . . . . . . . . 82

3.6 Asynchrone Client-Server-Kommunikation . . . . . . . . . . . . . . . . . . 86

3.7 Auftretende Zeichen in Editionen altgriechischer Texte . . . . . . . . . . . 92

3.8 Nutzerspezifische Metadaten . . . . . . . . . . . . . . . . . . . . . . . . . . 101

3.9 Zusammenfassung orthographischer Varianten in der Stichwortsuche . . 105

3.10 Verknüpfung von Konzepten, Vokabular und Dokumenten . . . . . . . . . 107

3.11 Tag Pies von grammatikalischen Wortvarianten . . . . . . . . . . . . . . . 111

3.12 Gewichtung für Kookkurrenzterme . . . . . . . . . . . . . . . . . . . . . . 112

3.13 Visualisierung aggregierter Konkordanzdaten . . . . . . . . . . . . . . . . 113

3.14 Abfragezeit nach Umgebungsgröße . . . . . . . . . . . . . . . . . . . . . . 116

3.15 Normalisierte Types nach Tokenanzahl . . . . . . . . . . . . . . . . . . . . 117

3.16 Abfragebeschleunigung durch parallele Verarbeitung . . . . . . . . . . . . 119

3.17 Visualisierung einer Abfrage für direkte Wortumgebungen . . . . . . . . . 124

3.18 Übertragung und Darstellung von POS-Annotationen . . . . . . . . . . . . 128

4.1 Interaktive Visualisierung von Personennamen . . . . . . . . . . . . . . . 138

4.2 Dokument-Personen-Netzwerk . . . . . . . . . . . . . . . . . . . . . . . . . 139

4.3 „Ancient Word Explorer“ . . . . . . . . . . . . . . . . . . . . . . . . . . . . 142

4.4 Detailansicht für Toponymkookkurrenz . . . . . . . . . . . . . . . . . . . . 143

4.5 Sequenz von Toponymnetzwerken . . . . . . . . . . . . . . . . . . . . . . . 143

4.6 Netzwerkverbindungen und Kartenabbildung . . . . . . . . . . . . . . . . 144

4.7 Verknüpfung von Büchern und Autoren . . . . . . . . . . . . . . . . . . . 154

4.8 Kartogramm von Herkunftsländern . . . . . . . . . . . . . . . . . . . . . . 155

238

Abbildungsverzeichnis

4.9 Geschlechteranteil über die Zeit . . . . . . . . . . . . . . . . . . . . . . . . 156

4.10 Koautoren-Netzwerk . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 159

4.11 Interaktions-Schwellwerte für die Graphinduktion . . . . . . . . . . . . . 163

4.12 Handlungsverlauf in Dramen . . . . . . . . . . . . . . . . . . . . . . . . . . 164

4.13 Übersetzungsvarianten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 165

4.14 Beispiel für n-Gramm-Entropie . . . . . . . . . . . . . . . . . . . . . . . . . 169

4.15 Beispiel für Blockentropie-basierte Maßzahl . . . . . . . . . . . . . . . . . 171

4.16 QQ-Diagramm: Sequenzlänge gegen entropiebasierte Maßzahl . . . . . . . 172

4.17 Zusammenhängende Löschungsgraphen . . . . . . . . . . . . . . . . . . . 174

4.18 Wortlängenverteilung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 175

4.19 Distanzberechnungen im Löschgraphen . . . . . . . . . . . . . . . . . . . 176

4.20 Oberfläche von „Gremlin’s Property Graph Lab“ . . . . . . . . . . . . . . . 180

4.21 Ergebnistypen in „Gremlin’s Property Graph Lab“ . . . . . . . . . . . . . . 181

B/1 Zeichen in altgriechischen Texten nach Häufigkeit . . . . . . . . . . . . . 246

B/2 Ereignisbezogene Stichwortsuche . . . . . . . . . . . . . . . . . . . . . . . 247

B/3 Verbundene Wortkontexte im „Kadmos Navigator“ . . . . . . . . . . . . . 248

B/4 Dewey-Klassifikationsnummern . . . . . . . . . . . . . . . . . . . . . . . . 249

B/5 Erweitertes Beispiel für Blockentropie-basierte Maßzahl . . . . . . . . . . 250

239

Quelltextverzeichnis

3.1 Schemadefinition in Kadmos . . . . . . . . . . . . . . . . . . . . . . . . . . 84

3.2 Import eines Dokuments über direkte Methodenaufrufe . . . . . . . . . . 88

3.3 Benchmarking-Code . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117

3.4 Anlegen einer neuen API-Definition . . . . . . . . . . . . . . . . . . . . . . 123

3.5 Ausschnitt aus der Tagger-Wrapperklasse . . . . . . . . . . . . . . . . . . . 127

C/1 Installationsschritte für Kadmos . . . . . . . . . . . . . . . . . . . . . . . . 251

240

Tabellenverzeichnis

3.1 Speicherbelegung und Abfrageaufwände . . . . . . . . . . . . . . . . . . . . 79

3.2 Nummerierungspräfixe und allgemeine Abschnittsbezeichner . . . . . . . 90

3.3 Performance mit beschränktem Arbeitsspeicher . . . . . . . . . . . . . . . 120

A Liste verwendeter Korpora . . . . . . . . . . . . . . . . . . . . . . . . . . . . 245

241

Anhang A

Verwendete Korpora

Korpus Titel und Beschreibung Frei verfügbar?

BTL Bibliotheca Teubneriana Latina

Digitalisierte Teubner-Editionen lateinischer Literatur von der

Antike und Spätantike bis zum Neulatein, bezogen vom Verlag

Walter de Gruyter im Rahmen des BMBF-geförderten Projektes

„eXChange“

http://www.degruyter.com/view/db/btl

Copper-

field

„David Copperfield“ von Charles Dickens

Einzeldokument-Korpus, bezogen vom Project Gutenberg, impor-

tiert ohne Präambel und Lizenztext

http://www.gutenberg.org/files/766/766-0.txt

Dramen Gemeinfreie deutschsprachige Dramen

38 Dramen deutscher Autoren (u.a. von Arnim, Goethe, Grabbe,

Lessing, von Kleist und Tieck), bezogen von der DVD „Gutenberg-

DE Edition 13“

http://gutenbergshop.abc.de/catalog/index.php?cPath=29

Hamlet The Shakespeare Quartos Archive

Sammlung von 32 Quarto-Ausgaben von Shakespeare’s Hamlet

im TEI-Format, Drucke zwischen 1603 und 1637

http://www.quartos.org/

Fortsetzung auf der Folgeseite

242

Anhang A Verwendete Korpora

Korpus Titel und Beschreibung Frei verfügbar?

Herodot Herodots „Historien“ (῾Ιστορίαι)

Historisch-geographische Texte in neun Büchern im TEI-Format

aus dem Perseus-Projekt, in Griechischer Version und in Engli-

scher Übersetzung (von A. D. Godley), letztere mit NER-Tags

incl. Geo-Kodierung

http://www.perseus.tufts.edu/hopper/dltext?doc=Perseus:text:

1999.01.0125

http://www.perseus.tufts.edu/hopper/dltext?doc=Perseus:text:

1999.01.0126

NYT The New York Times Annotated Corpus

Sammlung von über 1,8 Millionen Artikeln aus der New York

Times, die zwischen dem 1. Januar 1987 und dem 19. Juni 2007

abgedruckt wurden.

http://catalog.ldc.upenn.edu/LDC2008T19

Othello Parallelstellen aus Othello-Übersetzungen

38 deutsche Übersetzungen und Theater-Bearbeitungen von Akt

1, Szene 3 aus Shakespeares „Othello“, zusammengestellt vom

Projekt „Translation Arrays: Version Variation Visualization“

http://www.delightedbeauty.org/vvv

Ë/ é

Papyri Duke Databank of Documentary Papyri

Umfangreiche Sammlung antiker Papyri-Texte in der Version

„Epiduke“ des Kings College London

http://epiduke.cch.kcl.ac.uk/

Rektoren Leipziger Rektoratsreden 1871-1933

Antrittsreden der neu gewählten und Jahresberichte der schei-

denden Rektoren anlässlich des feierlichen Rektoratswechsels,

1871–1933, [Häu09], bezogen vom Universitätsarchiv Leipzig

http://www.degruyter.com/view/product/40375

Fortsetzung auf der Folgeseite

243

Korpus Titel und Beschreibung Frei verfügbar?

Reuters Reuters-21578 Text Categorization Test Collection

21578 englischsprachige Agenturmeldungen zu Wirtschafts-

themen aus dem Jahr 1987, zur Verfügung gestellt von der

Carnegie Group und Reuters

http://www.daviddlewis.com/resources/testcollections/

reuters21578/

Shakes-

peare

Shakespeare

35 deutsche Versionen verschiedener Dramen Shakespeares, (in

Übersetzung u. a. von Baudissin, Schiller, Schlegel, Tieck und

Wieland), bezogen von der DVD „Gutenberg-DE Edition 13“

http://gutenbergshop.abc.de/catalog/index.php?cPath=29

SHC Shakespeare His Contemporaries

510 englischsprachige Dramen im TEI-Format aus der Zeit von

1552 bis 1662

http://shakespearehiscontemporaries.northwestern.edu/

Stasi Die DDR Im Blick der Stasi

Sammlung der geheimen Stimmungs- und Lageberichte der

„Zentralen Auswertungs- und Informationsgruppe“ des Minis-

teriums für Staatssicherheit an die Staatsführung der DDR, um-

fasst die bisher editorisch abgedeckten Jahrgänge 1953, 1961,

1976, 1977 und 1988

http://www.ddr-im-blick.de/

TLG Thesaurus Linguae Graecae

Umfangreiche Sammlung griechischer Texte aus der klassischen

Periode vom 8. vorchristlichen bis 6. Jahrhundert unserer Zeit

sowie aus der anschließenden byzantinischen Zeit, bis 1453;

insgesamt ca. 76 Mio. Token umfassend. Die Nutzung erfolgte

über das BMBF-geförderte Projekt „eXChange“

http://stephanus.tlg.uci.edu/

Fortsetzung auf der Folgeseite

244

Anhang A Verwendete Korpora

Korpus Titel und Beschreibung Frei verfügbar?

Voynich Voynich-Manuskript

Einzeldokument-Korpus, das verschiedene Transkriptionen

eines mehr als einhundert Seiten umfassenden, wahrscheinlich

aus dem frühen 15. Jahrhundert stammenden und in einer

Geheimschrift verfassten Werkes bündelt.

http://www.ic.unicamp.br/~stolfi/voynich/Notes/060/L16+H-eva/

text16e7.evt

245

Anhang B

Ergänzende Grafiken

Abbildung B/1: Auftretende Unicode-Zeichen in digitalen Editionen

altgriechischer Texte, sortiert absteigend nach Häufigkeit

246

Anhang B Ergänzende Grafiken

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) hussein

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) terror

Abbildung B/2: Jahreskalender-Histogramme für die ereignisbezogene

Stichwortsuche, (a) dominiert vom zweiten und dritten Golfkrieg und (b) in Form

vieler Einzelereignisse, überschattet von Berichten zu den New Yorker Anschlägen

vom 11. September 2001.

247

Abbildung B/3: Verbundene Wortkontexte für die normalisierten Types

amerikanischen und oberst aus dem Stasi-Korpus, visualisiert im „Kadmos

Navigator“ (Token tragen dabei die Labels ihrer Types)

248

Anhang B Ergänzende Grafiken

Abbildung B/4: Ausschnitt der tatsächlich genutzten

Dewey-Klassifikationsnummern

249

1650 1700 1750 1800 1850 1900 1950 2000

1,7

1,8

1,9

2,1

2,2

2,3

2,4

2,5

2,6

2,7

2,8

2,9

Jahr:

Anstieg der Wort-Block-Entropie in Bit

Englische Buchversionen

Deutsche Buchversionen

Deutsche Bühnenadaptionen

Abbildung B/5: Blockentropie-basierte Maßzahl für alle Varianten aus dem

Othello-Korpus

250

Anhang C Anleitung zur Inbetriebnahme der Kadmos-Umgebung

Anhang C

Anleitung zur Inbetriebnahme der

Kadmos-Umgebung

Der aktuelle Arbeitsstand der Kadmos-Kernumgebung wird gemeinsam mit ausgewählten

Plugins unter der Adresse

http://kadmos.textgraph.science/

veröffentlicht, präsen-

tiert und dokumentiert. Für die langfristige Weiterentwicklung von Kadmos ist geplant,

die Softwareentwicklung aus dem bisherigen isolierten Projektumfeld herauszulösen und

in einen stetigen und offenen Entwicklungsprozess zu überführen. Diese Arbeiten wer-

den künftig auch über die Kadmos-Webseite koordiniert. Ziel ist es, eine kontinuierliche

Weiterentwicklung entsprechend fachlicher Anforderungen aus den e-Humanities und

technologischer Erkenntnisse aus der Informatik zu erreichen.

Angesichts dessen ist es nicht angedacht, einen bestimmten Entwicklungsstand fest-

zuhalten und als Teil dieser Arbeit anzusehen. Eine jeweils aktuelle Systemversion als

Kombination stabiler Basisfunktionen und eventueller gerade in Ausarbeitung befindli-

cher experimenteller Funktionalität kann wie folgt bezogen werden:

1 apt-get install git jruby

2 jruby -S gem install bundler

3 git clone git://git.textgraph.science/kadmos

4 cd kadmos

5 jruby -S bundle install

6 jruby -J-Xmx8G -J-Dfile.encoding=UTF-8 lib/kadmos.rb

Quelltext C/1: Installationsschritte für Kadmos in typischer Debian-basierter

GNU/Linux-Umgebung und Startbefehl mit 8 GB maximal zugewiesenem

Arbeitsspeicher

251

Auf die Installation des Versionsverwaltungssystems

Git

und der Laufzeitumgebung

JRuby

folgt die Installation des Ruby-Pakets

Bundler

, über das die Laufzeitabhängigkei-

ten von Kadmos verwaltet werden. Nach dem Herunterladen des Quelltextes werden

diese Abhängigkeiten aufgelöst und die benötigten Programmbibliotheken geladen. An-

schließend kann Kadmos gestartet werden.

Nun sollte die korrekte Einrichtung und Ausführung des Systems überprüft werden.

Beim Aufruf von

http://localhost/api/system_status

wird vom Server periodisch ei-

ne JSON-kodierte Statusmeldung mit aktuellen technischen Details der Laufzeitumgebung

entsprechend dem folgenden Beispiel gesendet:

1 {"process_memory":6364860,"databases_disk_space":[{"btl":18244424},{"

& copperfield":364268},{"default":107042260},{"reuters":2683408},{"stasi"

& :1606812},{"system":444},{"tlg":107026384},{"voynich":50936}],"jvm_uptime"

& :1999595,"jvm_heap_memory":4060340,"jvm_non_heap_memory":92996,"

& jvm_recent_system_load":1.08,"jvm_thread_count":166,"

& jvm_currently_loaded_classes":15481,"jvm_total_loaded_classes":15879}

Wird in der Adresse des Aufrufs „

api

“ durch „

rest-api

“ ersetzt, erfolgt die Rückmeldung

einmalig.

Zum Anlegen einer neuen Korpus-Datenbank muss nur (z. B. mit dem mit dem Komman-

dozeilenbefehl „

mkdir ./db/Datenbankname“

) ein neues Verzeichnis im

-Unterordner

der Kadmos-Anwendung erstellt werden. Beim anschließendem Aufruf der Adresse

http://localhost//rest-api/corpora?update=true

wird in dieses neue Verzeichnis

eine leere lokale Datenbank (Berkeley-DB-Backend) mit entsprechenden Indexstrukturen

(Lucene-Index) initialisiert. Standardmäßig wird in Kadmos das Korpus mit dem Namen

„

default

“ verwendet. Sollen sich die folgenden Abfragen auf einen alternativen Daten-

banknamen beziehen, so ist dieser als HTTP-Parameter z. B. mit

&corpus=Datenbankname

anzufügen.

Für diese neue Korpus-Datenbank oder für die

default

-Datenbank kann nun der Im-

portvorgang eines Beispielkorpus initiiert werden. Durch den Aufruf der Adresse

http:

//localhost/api/import?importer=demo

wird ein minimales Einzeldokument-Korpus

geladen, welches nur den Beispieltext aus Abbildung 3.1 auf Seite 76 enthält. Sollte ein

größeres Test-Korpus benötigt werden, muss entsprechend ein anderer Importer ver-

wendet werden. Durch Eingabe von

importer=reuters

wird z. B. das Reuters-Korpus

aus dem Internet geladen und in die Graphdatenbank übernommen.

Zahlen zur Speichernutzung sind dabei in Kilobyte angegeben.

252

Anhang C Anleitung zur Inbetriebnahme der Kadmos-Umgebung

Sobald die Korpora übernommen sind, liefern die textstatistischen API-Endpunkte voll-

ständige Antworten zurück. Die 100 häufigsten Types des Korpus lassen sich über

http:

//localhost/rest-api/ranked_types ermitteln. So z. B. für den Demo-Import:

1 {"leaves":2,"the":2,"The":2,"tonight.":1,"ship":1,"brown.":1,"are":1,"All":1,"

& dog.":1,"lazy":1,"over":1,"jumps":1,"fox":1,"brown":1,"quick":1}

Ein Aufruf von

http://localhost/rest-api/ranked_normalized_types

liefert die sel-

be Statistik für normalisierte Types:

1 {"the":4,"leaves":2,"brown":2,"tonight":1,"ship":1,"are":1,"all":1,"dog":1,"

& lazy":1,"over":1,"jumps":1,"fox":1,"quick":1}

Diese und weitere „erste Schritte“ nach der Einrichtung des Systems sowie weitere bei-

spielhafte Anwendungsfälle werden in geeigneter Form unter

http://kadmos.textgraph.

science/

dokumentiert und, wie oben beschrieben, jeweils um aktuelle Informationen

ergänzt.

253

Z Thomas Efer, 2016–2017

Typesetting MikTeX 2.9

KOMA-Script3.15

Babel 3.9l

pdfTeX 3.1415926-2.6-1.40.15

Typefaces Gentium by Victor Gaultney

LuxiMono by Kris Holmes & Charles Bigelow

 by Dave Gandy

Graphdatenbanken für die textorientierten e-Humanities

In diesem Buch wird ein Beitrag der Informatik zum interdisziplinären Feld der e-

Humanities beschrieben, welcher darauf abzielt, die Palette digitaler Methoden in der

textorientierten geistes- und sozialwissenschaftlichen Forschung zu erweitern. Es wird

exemplarisch untersucht, inwieweit alternative Methoden der digitalen Textreprä-

sentation als Grundlage für innovative Recherchesysteme genutzt werden können.

Die inhaltlichen Aspekte reichen dabei von der Korpusverwaltung über Textmodellie-

rung und -annotation bis hin zur durch Text-Mining unterstützten Korpusauswertung.

Für diese Aspekte wird eine Lösung unter Nutzung aktueller Graphdatenbanksysteme

vorgestellt.

Das Buch bietet dabei nicht nur einen anwendungsorientierten wissenschaftlichen

Überblick über bestehende Technologien, aktuelle Probleme und Lösungsansätze, son-

dern stellt mit dem Text-Recherchesystem „Kadmos“ auch praktische Arbeiten und

Softwarekomponenten vor, deren Einsatzmöglichkeiten anhand ausgewählter Anwen-

dungsfälle aus der e-Humanities-Forschung illustriert werden.

Über den Autor

Thomas Efer ist promovierter Informatiker. Er forscht an der Universität Leipzig, wo er

seit 2011 technische und methodische Fragestellungen in zahlreichen Projekten – ins-

besondere aus dem Bereich der e-Humanities – bearbeitet hat. Seine Forschungsschwer-

punkte liegen in der interdisziplinären Konzeption und Anwendung von Verfahren der

automatischen Sprachverarbeitung und graphbasierten Wissensmodellierung sowie in

der Weiterentwicklung von Big-Data-Technologien.

 Open Access c

2 191221 708184

https://e-humanities.textgraph.science/