Text Mining

1. Text Mining Nichterl Markus, Steindorfer Jochen

2. AGENDA • Einleitung • Grundlagen der Volltextsuche • Retrievalmodelle • Text Mining Systeme in der Praxis • Zusammenfassung und Ausblick

3. Einleitung

4. Warum Text Mining ?? • Zunehmende Bedeutung des Internets • Schnelles Finden von Dokumenten Vergleichbar mit einem Schlagwortverzeichnis am Ende eines Buches Eine Anfrage an das System entspricht einem Nachschlagen im Index. Funktionsweise: im Grunde wie wenn eine Bibliothek mit einem Schlagwortverzeichnis alle Wörter aller vorkommenden Bücher auflisten würde

5. Data Mining • Clustering: segmentiert Daten mit ähnlichen Werten in Gruppen • Classification: analysiert und kann die Werte der Daten vorhersagen • Association: erkennt die Korrelation zwischen Daten

6. Grundlagen der Volltextsuche

7. Grundlagen der Volltextsuche Definition: Informationen, die sprachlich gegeben sind, explizit zu machen, um sie maschinell zu erschließen. • gezielte Suche nach Dokumenten mit ähnlichen Inhalten • zentrale Begriffe für Text Mining: Dokumente und Metadaten • Semantische Metadaten leisten eine Abstraktion vom Inhalt eines Dokuments

8. Funktionsweise simpler Suchverfahren • Unscharfe Suche: Begriffe werden gesucht, die nur ungefähr mit dem Suchbegriff übereinstimmen. • Phonetische Suche: sucht nach Worten, die in der Aussprache mit dem Suchbegriff übereinstimmen • Phrasensuche: bestimmte Textstellen werden gefiltert, die mit dem Suchbegriff übereinstimmen • Suche in Feldern: Felder mit bestimmten Argumenten werden erzeugt, in denen gezieltes Suchen möglich ist

9. Index, Indexterme, Zeichenketten und Stoppwörter • Die natürliche Sprache soll so verarbeitet werden, dass inhaltliche Ähnlichkeiten erkennbar werden • Die zulässigen Mittel zur inhaltlichen Beschreibung sollen so eingeschränkt werden, dass sie Ähnlichkeiten abbilden

10. Lexikographische Grundformreduktion • lexikografische Grundform: die Form, in der das Wort in einem Wörterbuch zu finden ist. Die durch Flexion möglicherweise entstandenen Veränderungen gegenüber der Grundform werden rückgängig gemacht, indem die Wörter deflektiert und anschließend rekodiert werden • formale Grundform:Wortfragmente, bei denen die normalen englischen und fremdsprachigen (hauptsächlich lateinischen) Flexionsendungen abgetrennt werden, ohne dass die entstandenen Wortfragmente rekodiert würden • Stammform nach linguistischen Prinzipien: die Zeichenketten, die durch Deflexion und Abtrennen von Derivationsendungen entstehen. Diese Zeichenketten sollen soweit wie möglich durch Rekodierung vereinheitlicht werden.

11. Die verschiedenen Reduktionsformen nach Kuhlen

12. Das lexikonbasierte Verfahren • Suche nach der Wortform in einer kleinen Liste, die die häufigsten Wortformen mit ihrer Grundform enthält. Wird das Wort gefunden, ist die Lemmatisierung beendet. • Flexionsanalyse: Abschneiden der letzten Buchstaben, die verbleibende Zeichenkette wird im Stammformenlexikon gesucht. Wird ein Stamm gefunden, wird untersucht, ob damit die Wortform generiert werden kann. Prüfung aller Stämme, um bei Wortformen, die auf mehrere Stämme aus dem Lexikon zurückgeführt werden können, alle diese Stämme zu finden. Werden Grundformen gefunden, werden sie mit der Wortklassenzugehörigkeit ausgegeben, und die Lemmatisierung ist beendet. • Kompositionsanalyse: Es werden von rechts rekursiv die jeweils längsten Wortformen abgeschnitten, die im Lexikon gefunden werden. Lässt sich das Wort so in Teilwörter zerlegen, wird es als Kompositum bezeichnet und die Lemmatisierung beendet. • Konnte das Wort nicht lemmatisiert werden, wird auf der Basis einer empirischen Häufigkeitstabelle für Endungen eine Vermutung über die Wortklassenzugehörigkeit ausgegeben.

13. Flexionsanalyse nach Lezius

14. Klassifikationen • Dokumente vordefinierten Kategorien zuweisen • Anwendungsgebiet hierfür ist die Navigation über Kategorien in Webkatalogen • Um diese Ziel technisch zu realisieren, werden verschiedene Verfahren der Kategorisierung angewendet

15. Das Zentroidvektorverfahren Bauen während der Trainingsphase einen Vektor aus den signifikanten Wörtern der Trainingsdokumente pro Kategorie auf, die Gleichzeitig am distinktivsten zu den Wörtern der anderen Kategorien sind. Während der Phase der Kategorisierung wird dann das Vokabular des Dokumentes mit den Vektoren der jeweiligen Kategorie verglichen. Diese Verfahren benötigt nicht viele Trainingsdokumente, hat aber den Nachteil, dass die Zuordnungsqualität mit der Anzahl der Kategorien deutlich schlechter wird. Support-Vektor-Maschinenfolgen ebenfalls einem vektorbasiertem Ansatz. Dieses Verfahren geht von der Annahme aus, dass die optimale Form berechnet wird, die positive und negative Trainingsdokumente voneinander unterscheidet. Das Trainingsresultat besteht aus einer Menge von Vektore, die dieser Form möglichst ähnlich sind.

16. Das Nearest-Neighbour-Verfahren Vergleicht bei der Kategorisierung ein Dokument mit allen bereits kategorisierten Dokumenten und ordnet das Dokument dann den Kategorien zu, die am besten zutreffen • Trainingsphase sehr schnell, da es nur die Vektorrepräsentationen der Trainingsdokumente erstellt • Kategorisierung dauert länger als beim Zentroidvektor-basierten Verfahren • Die Performance kann mit zunehmender Anzahl zu einem Problem werden Das Nearest-Neighbour Verfahren hat Vorteile, wenn die Kategorisierung schlecht durch repräsentative Dokumente dargestellt werden kann. Das kann der Fall sein, wenn eine Kategorie zwei unterschiedliche Themen enthält. Ein weiterer Nachteil ist das sog. Overfitting, d.h. dass das Verfahren nur genau die Trainingsdaten abbildet. Dadurch wird die Vorhersage von Kategorien nur schwache Ergebnisse liefern.

17. Das Entscheidungsbaumverfahren Überführen die Trainingsdokumente auf Basis eindeutiger Wahr-Falsch-Fragen bezüglich des Themas in binäre Baumstrukturen. Problem: Overfitting Lösung: mehrere Entscheidungsbäume werden für die gleiche Kategorie aus den selben Dokumenten abgeleitet Ein Dokument wird dann mit allen Entscheidungsbäumen verglichen. Ein Vorteil dieses Verfahrens besteht in seinem effizienten Verhalten in hohen Dimensionen.

18. Das Bayesische Verfahren Sind in verschiedenen Arten vorhanden, wobei sich die Ausprägungen primär durch die getroffenen Annahmen unterscheiden, wie die Daten generiert werden. Aufbauend darauf wird eine Kollektion von Trainingsbeispielen herangenommen, um die Parameter des generativen Modells zu berechnen. Zur Klassifikation von neuen Dokumenten wird dann die Kategorie gewählt, deren Modell am wahrscheinlichsten das Dokument hätte generieren können.

19. Einschub: Cluster

20. Einschub: Cluster • Ähnlichkeiten mit Klassifikation • Gruppierungen der ähnlichen Dokumente in Cluster • Kleine inhaltliche Distanz innerhalb eines Clusters • Große Distanz zwischen den Clustern • Zuordnung in Cluster erfolgt automatisiert • Verfahren wird dem unüberwachten Lernen zugeschrieben (Verweis auf Data Mining)

21. Einschub: Cluster • Allgemeine Verfahrensweise:Aus einer Dokumentenkollektion werden die einzelnen Dokumente in Cluster zugeteilt. Die Cluster sind untereinander disjunkt. Quelle: Ferber2003

22. Einschub: Cluster 2 Ansätze zur Clusterbildung: • Hierarchisches Clustering a) Agglomeration (Baumstruktur) b) Divisive (binäre Strukturen) • Partitional Clustering

23. Einschub: Cluster Hierarchisches Clustering • Annahme: Anzahl der zu erstellenden Cluster ist nicht bekannt • Ziel: Erzeugung einer Baumstruktur 2 Ansätze: • Agglomeration: Top Down Start bei den Blättern • Divisiv: Bottom up Start bei der Wurzel Quelle: Toennis

24. Einschub: Cluster Partitional Clustering • Anzahl der Cluster ist vorgegeben • Top-Down Verfahren • Neue Cluster nach Überschreiten vom Schwellenwert (Distanzmaß der Dokumente) • Ähnlichkeitsbeziehungen zwischen den Clustern

25. Thesauren • Das sprachliche oder terminologische Gegenstück zu hierarchischen Klassifikationssystemen • Terme und Ausdrücke eines Sachgebietes werden erfasst und die Beziehungen zwischen ihnen beschrieben Bestehen aus 2 Funktionen: • Definition eines bestimmten Vokabulars • Beziehungen zwischen den Termen dieser Vokabulars werden hergestellt

26. Konstruktion eines Thesaurus • Zunächst wird der Bezugsrahmen eingegrenzt. Dabei werden die Thematik, die Spezifität, der Sprachstil und der Umfang des Thesaurus festgelegt. • Dann werden Quellen ausgewählt, aus denen Wörter herausgenommen werden sollen. Das können u.a. potenzielle Nutzende, Experten, Fachwörterbücher, aktuelle Literatur, Lehrbücher oder bereits vorhandene Thesauren sein. • Dieses Vokabular wird dann der sog. terminologischen Kontrolle unterworfen. Dadurch sollen die Unschärfe der natürlichen Sprache beseitigt und die Terme in Synonymmengen aufgeteilt werden.

27. Weitere Kontrollen • Bei der Synonymkontrollewerden unterschiedliche Schreibweisen, Abkürzungen und verschiedene Sprachstile unterschieden. • Die Polysemkontrolle unterscheidet Wörter, die zwar gleich geschrieben werden, aber mehrere unterschiedliche Bedeutungen haben. • Bei der Zerlegungskontrolle werden Komposita gegebenenfalls in ihre Bestandteile zerlegt. Das kann notwendig sein, um die richtige Spezifität eines Begriffes zu erhalten. • Im letzten Schritt, der begrifflichen Kontrolle, werden die konstruierten Äquivalenzklassen durch Relationen miteinander in Beziehung gebracht. Wichtig hierbei ist vor allem die hierarchische Relation.

28. Retrievalmodelle

29. Retrievalmodelle • Boolesches Retrievalmodell • Vektorraummodell

30. Boolesches Retrievalmodell • häufigste Methode des Information Retrievals • beschränkt sich darauf, ob eine Bedingung erfüllt ist oder nicht • Anfragen können durch die Operatoren AND, OR und NOT verknüpft werden

31. Abfragen mit Hilfe dieser Operatoren • Sind in einer Abfrage zwei Terme mit AND verknüpft, so erhalten wir die Dokumente, die beide Terme enthalten • Sind in einer Abfrage zwei Terme mit OR verknüpft, so erhalten wir entweder das eine, oder das andere, oder beide Dokumente • Sind in einer Abfrage zwei Terme mit AND NOT verknüpft, so erhalten wir nur den ersten Term, der vor dem AND definiert wurde, als Antwort

32. Implementierung mit invertierten Listen • Boolesche Retrieval Systeme werden mit Hilfe von invertierten Listen implementiert • für jedes Feld wird eine Liste angelegt, in der zu jedem Term eingetragen wird, in welchen Dokumenten er vorkommt • Dieses Umkehrverfahren benötigt zwar viel Speicherplatz,  aber schneller Zugriff auf das System

33. Konstruktion einer invertierten Liste • Anhand der Regel zur Bestimmung zulässiger Terme werden die Dokumente in Terme zerlegt • Zu den Termen werden jeweils das Dokument und die Position des Auftretens im Dokument geschrieben • Diese Paare aus Termen und ihren Positionen werden sortiert • Paare mit gleichen Termen werden zusammengefasst, wobei die Positionen in einer sortierten Liste an den Term angefügt werden • Die Terme werden von den Listen mit ihren Positionen getrennt. Dabei werden sie in die Indexdatei geschrieben, die zu jedem Term einen Pointer auf die zugehörige Liste enthält. Dann muss in der Indexdatei zu jedem Term die Anzahl der Positionen angegeben werden, an der die Aufzählung beginnt

34. Bearbeitung der Abfragen • Zunächst werden die Terme in der Anfrage isoliert. • Aus der invertierten Liste wird für jeden Term die Liste mit seinen Positionen in den Dokumenten oder deren Feldern ermittelt. Dazu lässt sich der Pointer aus der Indexdatei verwenden. • Die Liste zu den verschiedenen Termen werden zusammengeführt: sind die Terme mit OR verknüpft, werden die Listen vereinigt, sind sie mit AND verknüpft, wird der Durchschnitt gebildet, bei AND NOT wird die Differenz berechnet. • Die Dokumente, die in der resultierenden Liste übrig bleiben, werden aus der Dokumentdatei geholt und als Resultat der Anfrage präsentiert.

35. Retrievalmodelle • Boolesches Retrievalmodell • Vektorraummodell

36. Vektorraummodell • Basis sind Vektoren mit Gewichtungen der einzelnen Termen • Finden der „richtigen“ Dokumente mittels Ähnlichkeitsmaßen • Ähnlichkeiten können mit mathematischen bzw. statistischen Methoden berrechnet werden

37. Vektorraummodell • Das Modell • Definition 1 für das Vektorraummodell Sei T={t1,...,tn} eine endliche Menge von Termen und D={d1,...,dm} eine Menge von Dokumenten. Für jedes Dokument diD sei zu jedem Term tkT ein Gewicht wi,kR gegeben. Die Gewichte des Dokuments di lassen sich zu einem Vektor wi=(wi,1,...,wi,n )Rn zusammenfassen. Dieser Vektor beschreibt das Dokument im Vektorraummodell: Er ist seine Repräsentation und wird Dokumentvektor genannt. Auch Anfragen (Queries ) werden durch Vektoren qRn repräsentiert. Wie bei der Repräsentation der Dokumente wird die Anfrage durch eine Menge gewichteter Terme dargestellt. Der Vektor der Gewichte wird Anfragevektor oder Query-Vektor genannt. Schließlich sei eine Ähnlichkeitsfunktion s:Rn×Rn ->R definiert, mit der jedem Paar aus zwei Vektoren x,yRn ein reeller Ähnlichkeitswert s(x,y) zugewiesen wird. Quelle: Ferber2003

38. Vektorraummodell Anmerkungen zu den Dokumentenvektoren • Länge der Dokumentenvektoren ist vorgegeben. • Ursprüngliche Dokumente werden bearbeitet (Wortstammreduktion, Extraktion von Indextermen, Gewichtung der einzelnen Termen) und in Vektoren übergeführt • Die einzelnen Elemente der Vektoren repräsentieren Gewichtungen zum jeweiligen Term • Alle Dokumentenvektoren spannen einen multidimensionalen Raum auf.

39. Vektorraummodell Anmerkungen zum Anfragevektor • Wird durch natürlichsprachliche Anfrage automatisch erzeugt und im Dokumentenvektorraum abgebildet • Fehlende Gewichtungen der Indexterme werden durch den Wert 0 ersetzt. • Dimension des Anfragevektors muss gleich sein der Dimension der Dokumentenvektoren

40. Vektorraummodell Kombinationsmöglichkeit mit dem Booleschen Retrieval • Gewichtungen werden mit den Werten 0 und 1 ersetzt (0…False, 1…True) • AND und OR möglich, aber keine Kombination

41. Vektorraummodell • Vektorenmodell erzielen die besten Ergebnisse beim Information Retrieval, obwohl nur simple Termstatistiken (Häufigkeitsmaße und Gewichtungsmethoden) angewandt werden. • Anwendbar nur mit Textdokumenten, für Bilder braucht man andere Methoden

42. Gewichtungseinflüsse 2 Unterschiedliche Verfahren zur Termgewichtung • Manuell Nachteil: hoher Kosten-, Zeitaufwand, Inkonsistenz der Gewichtungen • Statistische Verfahren

43. Gewichtungseinflüsse Globale Gewichtungseinflüsse • Kontextunabhängig • Messung der Häufung eines bestimmten Terms innerhalb von Dokumentenkollektionen bzw. einer natürlichen Sprache • Unterschiedlich in den verschiedenen Sprachen

44. Globale Gewichtungseinflüsse Zipfsches Gesetz C…Textkorpus W(C)…Menge der Wörter, die in C vorkommen h(W)…Häufigkeit, mit der w in C vorkommt r(w)…Rangplatz von wW(C) Quelle: Ferber2003

45. Globale Gewichtungseinflüsse Brown- und LOB-Korpus (englische Textsammlungen) Häufigste und seltenste Wörter werden für die Gewichtung eleminiert.

46. Globale Gewichtungseinflüsse Alternative:Dokumentenhäufigkeit (document frequency) • Beschreibt die Häufigkeit des Auftretens eines bestimmten Terms innerhalb von verschiedenen Dokumenten Inverse Dokumentenhäufigkeit (inverted document frequency, IDF) • Kehrwert der Dokumentenhäufigkeit

47. Globale Gewichtungseinflüsse Zusammenfassung: Globale Gewichtungseinflüsse • Unabhängig vom einzelnen Dokument • Können losgekoppelt vom Suchsystem verwendet und gespeichert werden, da sie allgemein gültig sind. • Zu häufige und zu seltene Terme werden eliminiert Quelle: Ferber2003

48. Lokale Gewichtungseinflüsse • Sind kontextabhängig (zum jeweiligen Dokument) • Auch hier Einfluss der Termhäufigkeit Annahme: • häufige Terme sind wichtig für Inhaltsbeschreibung • Eindämmung von häufigen Termen mit Intervallsbeschränkung

49. Lokale Gewichtungseinflüsse Häufigste lokale Gewichtung: TF-IDF-Gewichtung (term frequency-inverted document frequency) Andere (zB SMART) Quelle: Buckley

50. Lokale Gewichtungseinflüsse • TF-IDF ist die grundlegendste Form • Für strukturierte Daten (zB HTML, Newsmeldungen) gibt es bessere Methoden • Lokale Gewichtungseinflüsse werden im Vektormodell als Gewichtung für die einzelnen Elemente eines Vektors herangezogen.