UZH-Logo

Text Mining Methoden im Semantic Web


Schneider, Gerold; Zimmermann, Heinrich (2010). Text Mining Methoden im Semantic Web. HMD Praxis der Wirtschaftsinformatik, (271):35-46.

Abstract

Aufbau, Pflege und Nutzung großer Wissensdatenbanken erfordert den kombinierten Einsatz menschlicher und maschineller Informationsverarbeitung. Da große Teile des menschlichen Wissens in Textform vorliegen, bieten sich Methoden des Text Mining zur Extraktion von Wissensinhalten an. Dieser Artikel behandelt Grundlagen des Text Mining im Kontext des Semantic Web. Methoden des Text Mining, die für die halbautomatische Annotierung von Texten und Textteilen eingesetzt werden, werden besprochen, insbesondere Eigennamenerkennung (Named-Entity Recognition), automatische Schlüsselworterkennung (Keyword Recognition), automatische Dokumentenklassifikation, teilautomatisches Erstellen von Ontologien, halbautomatische Faktenerkennung (Fact Recognition, Event Recognition). Es werden auch kritische Hintergrundfragen aufgegriffen. Das Problem der zu hohen Fehlerrate und der zu geringen Performanz automatischer Verfahren wird diskutiert. Zwei Beispiele aus der Praxis werden vorgestellt: Erstens das Forschungsprojekt Ontogene der Universität Zürich, in dem Protein-Protein Interaktionen als Relationstripel aus der Fachliteratur extrahiert werden, und zweitens ein ontologie-basierter Tag-Recommender, welcher die manuelle Vergabe von Schlüsselwörtern an Wissensressourcen unterstützt.

Aufbau, Pflege und Nutzung großer Wissensdatenbanken erfordert den kombinierten Einsatz menschlicher und maschineller Informationsverarbeitung. Da große Teile des menschlichen Wissens in Textform vorliegen, bieten sich Methoden des Text Mining zur Extraktion von Wissensinhalten an. Dieser Artikel behandelt Grundlagen des Text Mining im Kontext des Semantic Web. Methoden des Text Mining, die für die halbautomatische Annotierung von Texten und Textteilen eingesetzt werden, werden besprochen, insbesondere Eigennamenerkennung (Named-Entity Recognition), automatische Schlüsselworterkennung (Keyword Recognition), automatische Dokumentenklassifikation, teilautomatisches Erstellen von Ontologien, halbautomatische Faktenerkennung (Fact Recognition, Event Recognition). Es werden auch kritische Hintergrundfragen aufgegriffen. Das Problem der zu hohen Fehlerrate und der zu geringen Performanz automatischer Verfahren wird diskutiert. Zwei Beispiele aus der Praxis werden vorgestellt: Erstens das Forschungsprojekt Ontogene der Universität Zürich, in dem Protein-Protein Interaktionen als Relationstripel aus der Fachliteratur extrahiert werden, und zweitens ein ontologie-basierter Tag-Recommender, welcher die manuelle Vergabe von Schlüsselwörtern an Wissensressourcen unterstützt.

Downloads

307 downloads since deposited on 21 Feb 2011
82 downloads since 12 months
Detailed statistics

Additional indexing

Item Type:Journal Article, refereed, original work
Communities & Collections:06 Faculty of Arts > English Department
06 Faculty of Arts > Institute of Computational Linguistics
Dewey Decimal Classification:000 Computer science, knowledge & systems
820 English & Old English literatures
410 Linguistics
Uncontrolled Keywords:Semantic Web, Text Mining, Dokumentenklassifikation, Fact Recognition, Keyword Recognition, Ontologie, Tagging, Computerlinguistik
Language:German
Date:February 2010
Deposited On:21 Feb 2011 13:21
Last Modified:06 Jun 2016 13:07
Publisher:Springer
ISSN:1436-3011
ISBN:978-3-89864-624-6
Official URL:http://hmd.dpunkt.de/271/index.html
Permanent URL: http://doi.org/10.5167/uzh-25591

Download

[img]
Preview
Filetype: PDF
Size: 1MB

TrendTerms

TrendTerms displays relevant terms of the abstract of this publication and related documents on a map. The terms and their relations were extracted from ZORA using word statistics. Their timelines are taken from ZORA as well. The bubble size of a term is proportional to the number of documents where the term occurs. Red, orange, yellow and green colors are used for terms that occur in the current document; red indicates high interlinkedness of a term with other terms, orange, yellow and green decreasing interlinkedness. Blue is used for terms that have a relation with the terms in this document, but occur in other documents.
You can navigate and zoom the map. Mouse-hovering a term displays its timeline, clicking it yields the associated documents.

Author Collaborations