Quelltext der Seite Automatische Indexierung

[[category:Informationslinguistik]]
{| border="1" cellspacing="0" cellpadding="5" style="border-collapse:collapse;" align="center" width="80%" style="background:#E8F2FF;" bgcolor="#E8F2FF"
|-
|Die '''automatische Indexierung''' ist neben der [[intellektuelle_Indexierung|intellektuellen]] (manuellen) und [[Computer_gestützte_Indexierung|computergestützten Indexierung]] eine der Methoden, mit denen [[Deskriptoren]] einer dokumentarischen Bezugseinheit zugeordnet werden können.
Die '''automatische Indexierung''' setzt voraus, dass "coded informations" vorhanden sind. Mit anderen Worten, Zeichenketten, die der Computer bzw. die Software durchsuchen kann.
Man unterscheidet zwischen folgenden unterschiedlichen automatischen Indexierungsverfahren: 
|}
<br>

==Freitextverfahren==

Hierbei übernimmt das System alle Wörter in den [[Index]] und lässt sie somit zur Suche zu.
Der Index kann hierbei nach vollen bzw. trunkierten Wortformen durchsucht werden. Durch Trunkierungssymbole werden Teile des Wortes isoliert, es können dann Wörter gesucht werden, in denen der abgesonderte Wortteil enthalten ist.
Diese Symbole können je nach Anwendung unterschiedlich aussehen (z.B. "?" oder "*") und vor, nach oder in der Mitte eines Wortes gesetzt werden.
Beispielsweise „Atlas“:
man möchte andere Formen dieses Wortes berücksichtigen und schreibt „atla?“, erhält dann u.a. „Atlasse, Atlassen, Atlanten“ aber auch „Atlantik“. 
Dieses Beispiel macht deutlich, dass durch dieses Verfahren auch viel Ballast produziert werden kann (Atlantik = Ballast). 
Dem Problem des Ballastes versucht das [[#Morphologisch-lexikalische Verfahren|Morphologisch-lexikalische Verfahren]] gerecht zu werden.

Um die Indexdatenbank jedoch möglichst schlank halten zu können, also die Zahl der Deskriptoren zu reduzieren und somit die Bearbeitungszeit zu verringern (sowohl bei der Erstellung als auch bei der Suchanfrage), löscht man aus dem Index so genannte [[Stoppwort|Stoppworte]] (inhaltsleere Wörter) heraus.

Dieses Verfahren ist relativ einfach zu [[Implementierung|implementieren]], aber (abgesehen von trunkierten Wortformen – wenn im Suchsystem implementiert) nicht sehr "intelligent".

==Morphologisch-lexikalische Verfahren==


Das '''morphologisch-lexikalische Verfahren''' wird eingesetzt, um den bei der Trunkierung enstehenden Ballast zu reduzieren. Es bietet eine bessere [[Retrieval]] - Genauigkeit durch Computerlexika, aufgeteilt in Wortformen - und Stammlexika, die mit unterschiedlichen Arbeitsweisen vorgehen.
Wortformenlexika beinhalten alle Grundformen aller enthaltener Wörter mit den dazugehörigen grammatischen Formen (Person, Numerus, Tempus..).
Dadurch wird eine morphologische Analyse und somit eine Untersuchung von Wörtern, die nicht im Lexikon enthalten sind, überflüssig, z.B. Wortzusammensetzungen und Ableitungen. Nur mit Stammlexika kann man neue Wörter analysieren, die noch nicht im Lexikon stehen. 
Auf diesem Weg und in Verbindung mit einer syntaktischen Analyse lassen sich auch Mehrwortbegriffe mit einbeziehen (wie "natürliche Person"). 
Lexikalische Systeme sind dafür flexibler was neue Worte angeht! z.B. Spaßgesellschaftskonsum

==Morphosyntaktische Verfahren==

Deutlich aufwendiger als das '''Morphologisch - lexikalische Verfahren''' ist das '''Morphosyntaktische Verfahren'''. Es ist allerdings auch - abgesehen vom [[#Semantische Analyse|semantischen Verfahren]] das qualitativ beste Verfahren. Hierbei werden Texte [[Parsen|geparst]] und eine komplette Repräsentation des Textes wird angelegt. Dann ist die Analyse von Mehrwortdeskriptoren möglich. Teilweise ist sogar das Erkennen von Abhängigkeiten zwischen mehreren Deskriptoren möglich. z.B. Das Gericht verneinte einen Anspruch des Klägers auf Entschädigung (Dependenzanalyse) -> Anspruch auf Entschädigung. 
Die Mehrdeutigkeit natürlicher Sprache ist jedoch eine sehr zeitaufwendiges Problem bei der Indexierung von Texten. 
Doch um eine wirklich vollauomatische Indexierung zufriedenstellend betreiben zu können ist keines dieser Verfahren wirklich praktikabel.
Dies ließe sich nur durch semantische Analyse lösen. Aber trotz intensiver Forschungsbemühungen gibt es zurzeit noch keine praktikablen Ergebnisse. 

==Semantische Analyse== 

Eine semantische Analyse ist beispielsweise von Vorteil, wenn ein Sachverhalt von mehreren Personen beschrieben wird. Erläutern verschiedene Nutzer den gleichen Sachverhalt, wählen sie dafür unterschiedliche Formulierungen. Die sogenannten Rollenindikatoren trennen hier mit Hilfe der semantischen Analyse Subjekt, Objekt und Handlung von den Deskriptoren. Ein und derselbe Sachverhalt kann je nach Situation ganz verschieden formuliert werden, sollte aber, um diesen Sachverhalt abfragen zu können, in eine einzige schlüssige semantische Repräsentation überführt werden.
Zum besseren Verständnis folgt hier ein Beispiel aus dem [http://is.uni-sb.de/studium/handbuch/exkurs.ind.php#semant virtuellen Handbuch der Informationswissenschaft], das ursprünglich in der DIN 31 623 Teil 3 aufgeführt wurde:

 "Der Einsatz von Pferden zum Schleppen von Baumstämmen"

Die Formulierung dieses Sachverhalts kann fast beliebig variiert werden:

 Pferde schleppen Baumstämme<br>Pferde können Baumstämme schleppen<br>Baumstämme können von Pferden geschleppt werden<br>das Schleppen von Baumstämmen durch Pferde<br>Pferde, die Baumstämme schleppen können<br>

Im Grunde handelt es sich immer um den gleichen Sachverhalt:

{| border="0" cellpadding="5" cellspacing="1" style="float:left; empty-cells:show; margin-left:1em; margin-bottom:0.5em; background:#e3e3e3;"
! colspan="2" align="center" | 
|---- bgcolor="#FFFFFF"
|'''Rollenindikator''' || '''Deskriptor'''
|---- bgcolor="#FFFFFF"
|Subjekt (Handelnder) || Pferd
|---- bgcolor="#FFFFFF"
|Handlung  || Schleppen
|---- bgcolor="#FFFFFF"
|Objekt || Baumstamm
|---- bgcolor="#FFFFFF"
|}
<br><br><br><br><br><br><br>

Es gibt Forschungsansätze wie z.B. AIR-PHYS von der TH Darmstadt oder CTX der Informationswissenschaftlichen Fakultät der Universität des Saarlandes.
Alle haben jedoch ähnliche Probleme wie z.B.: hoher Aufwand für die Lexikonpflege, Mehrdeutigkeiten, Performanceprobleme, Bedienungsprobleme, etc.<br>
Das Produkt [http://www.fujitsu-siemens.de/products/software/transaction_processing/retrieval_systems/passat.html PASSAT] von Siemens findet bereits erfolgreichen Einsatz.

 '''Thesaurusrelation'''<br>
 Auch '''[[Thesaurus|Thesauri]]''' werden bei der automatischen Indexierung angewendet. Durch sie werden die semantischen
 Beziehungen verschiedener Begriffe zueinander festgehalten. Das heißt, dass auch Begriffe, die nicht 
 im Text stehen, aber trotzdem das Dokument sehr gut beschreiben, als Deskriptoren zur Verfügung 
 stehen können. <br>

'''Quellen:'''
1. Luckhardt, Heinz-Dirk, Automatisches und intellektuelles Indexieren: Virtuelles Handbuch der Informationswissenschaft, Abschnitte 0.-3.4.2
http://is.uni-sb.de/studium/handbuch/exkurs.ind.html last visited 5.11.05<br>
2. DIN 31 623<br>
3. Knorz, G., Automatische Indexierung, in: Hennings, R.-D.;Knorz, G.; Manecke, H.-J.; Reinicke, W.; Schwandt, J.: Wissensrepräsentation und Information Retrieval. Universität Potsdam, Informationswissenschaft, Modellversuch BETID, Lehrmaterialien Nr. 3, Mai 1994, Kapitel 4, S. 138 - 196 
http://fiz1.fh-potsdam.de/volltext/fhdarmstadt/03003.html last visited 5.11.05<br>
4. Knorz, G., Informationsaufbereitung II: Indexieren, in: Kuhlen/Seeger/Strauch (Hrsg.): Grundlagen der praktischen Information und Dokumentation (2004), Kap B5, S. 179-188<br>