| |||||||||||||
1.3.2.1: Reduktion von Wörtern auf ihre GrundformenDer computerlinguistische Ansatz versucht, Terme in Texten nicht als Zeichenketten aufzufassen, sondern sie als bestimmte Formen eines Worts zu erkennen. Es werden also z.B. verschiedene Flexionsformen eines Worts als zusammengehörig oder sogar identisch betrachtet. Man unterscheidet dabei zwischen der Grundformenreduktion, die die Wörter auf ihre grammatikalische Grundform (bei Substantiven auf den Nominativ Singular, bei Verben auf den Infinitiv) zurückführt, und der Stammformenreduktion. Diese führt Wortformen auf ihren Stamm zurück, der im Allgemeinen keine in der Sprache als Wort vorkommende Form ist und z.B. für ein Verb und ein Substantiv gleich sein kann. Diese Reduktion von verschiedenen Formen eines Worts auf eine Grundform oder einen Stamm wird auch Lemmatisierung oder Stemming genannt. Sie führt einerseits dazu, dass sehr verschiedene Zeichenketten als gleich angesehen werden. Andererseits sollten im Idealfall identische Zeichenketten, die von verschiedenen Wortstämmen abgeleitet werden, als verschieden angesehen werden. So werden finden und Gefundenes auf denselben Stamm zurückgeführt, sind aber als Zeichenketten ziemlich verschieden, während die Zeichenkette Winden auf die Stämme Wind, Winde und winden zurückgeführt werden kann. Im Information Retrieval können solche Verfahren eingesetzt werden, indem beim Indexieren nur die Stämme verwendet werden. Abbildung 14 zeigt diese Anwendung schematisch: Die Reduktion auf Stämme oder Grundformen kann als zusätzliche Transformation der Repräsentation der Dokumente angesehen werden, die ihre Darstellung weiter verallgemeinert. Entsprechend werden bei Anfragen Wortformen auf die Stämme oder Grundformen zurückgeführt. Man verfolgt damit zwei Ziele:
Abbildung 14: Schematische Darstellung der Verwendung von Grundformenreduktionsverfahren in einem textbasierten Information-Retrieval-SystemUm in einem Text Grundformen oder Wortstämme als Terme zu isolieren, kann man zunächst versuchen, allgemeine Regeln aufzustellen, nach denen Zeichenketten auf Grundformen bzw. Stämme zurückgeführt werden können. Für das Englische gibt es eine ganze Reihe solcher Verfahren. Einige werden im achten Kapitel des Buchs von Frakes und Baeza-Yates (1992) [->] behandelt. Hier soll der Algorithmus von Kuhlen (1977) [->] kurz vorgestellt werden. | |||||||||||||
| |||||||||||||
|
Diese Seiten sind urheberrechtlich geschützt. Die Verantwortung für die Inhalte und die Rechte der Online-Version liegen beim Autor Reginald Ferber, Münster (Westf). Die Rechte der gedruckten Version beim dpunkt.verlag, Heidelberg. Die Weiterverwendung von Texten oder Abbildungen - auch auszugsweise - ist ohne die schriftliche Zustimmung des Autors Reginald Ferber bzw. des dpunkt.verlags nicht gestattet.
Es wird darauf hingewiesen, dass die verwendeten Soft- und Hardware-Bezeichnungen sowie Markennamen und Produktbezeichnungen der jeweiligen Firmen im Allgemeinen warenzeichen-, marken-, oder patentrechtlichem Schutz unterliegen. Alle Angaben und Programme wurden mit großer Sorgfalt kontrolliert. Trotzdem kann keinerlei Haftung für Schäden irgendwelcher Art übernommen werden, die sich im Zusammenhang mit der Nutzung dieser Seiten ergeben.
Diese HTML-Datei wurde am 27-10-2003 erzeugt.