3. Hypothese!
•
In der Textlinguistik werden Textsorten untersucht und beschrieben:!
!„[Textsorten sind] komplexe Muster sprachlicher Kommunikation
[...], die innerhalb der Sprachgemeinschaft im Laufe der historischgesellschaftlichen Entwicklung aufgrund kommunikativer Bedürfnisse
entstanden sind.“ (Brinker, 1985)!
Hypertextsorten: Definition – Struktur – Klassifikation
!
3/52!
4. Hypothese!
•
In der Textlinguistik werden Textsorten untersucht und beschrieben:!
!„[Textsorten sind] komplexe Muster sprachlicher Kommunikation
[...], die innerhalb der Sprachgemeinschaft im Laufe der historischgesellschaftlichen Entwicklung aufgrund kommunikativer Bedürfnisse
entstanden sind.“ (Brinker, 1985)!
•
Zentrale Hypothese: Im World Wide Web existieren
Hypertextsorten.!
- Primär als Hypertexte realisierte Muster sprachlicher
Kommunikation, die in der Sprachgemeinschaft der WWW-Nutzer
aufgrund kommunikativer Bedürfnisse entstanden sind.!
- Verantwortlich dafür, dass Nutzer mit spezifischen Typen von Websites spezifische Erwartungshaltungen und Konventionen verbinden.!
Hypertextsorten: Definition – Struktur – Klassifikation
!
4/52!
5. Forschungsfragen (Auszug)!
•
•
•
•
•
Welche und wieviele Hypertextsorten existieren in der
Untersuchungsdomäne der universitären Webangebote?!
Welche Spezifika weisen Hypertextsorten (im Gegensatz zu
traditionellen Textsorten) auf?!
Welche Konstituenten besitzen Hypertextsorten?!
Wie können diese Konstituenten repräsentiert und maschinellen
Verarbeitungsprozessen zur Verfügung gestellt werden?!
Können Hypertextsorten – im Rahmen einer all-purpose-Suchmaschine
– maschinell identifiziert werden?!
Hypertextsorten: Definition – Struktur – Klassifikation
!
5/52!
6. Gliederung!
•
Motivation und Forschungsfragen!
•
Zur Entwicklung von Hypertextsorten!
•
Das Hypertextsortenmodell!
•
Die Korpusdatenbank!
•
Hypertextsorten – Beispiele!
•
Sammlung von Hypertextsorten!
•
Die Hypertextsortenontologie!
•
Zur maschinellen Erkennung von Hypertextsorten!
•
Schlussfolgerungen!
8. Entwicklung von Hypertextsorten – Automatisch!
Quelldokument!
Konvertierungs-!
werkzeug!
Textsorte des!
Quelldokuments bleibt!
– weitestgehend –!
unverändert erhalten!
HTML-Dokument(e)!
Hypertextsorten: Definition – Struktur – Klassifikation
!
8/52!
9. Entwicklung von Hypertextsorten – Manuell!
Status einer!
Hypertextsorte zu einem!
bestimmten Zeitpunkt!
Rezeption:!
Aktualisierung:!
Identifikation von!
Regeln und Konventionen!
Anwendung, Erweiterung,!
Brechung der Regeln!
Erstmalige Anwendung!
einer Protohypertextsorte!
fremde!
eigenes!
Webangebote! Webangebot!
Hypertextsorte!
und ihre spezifischen!
Konventionen!
Änderung:!
Anwendung – Hypertextproduktion:!
Modifikationen der externen Webangebote,!
die ebenfalls auf der Grundlage!
dieses zyklischen Modells erfolgen!
(allmähliche Festigung der Konventionen)!
Einflussfaktoren:!
• Inhalt und Funktion des Webangebots,!
• verwendete Software, !
• dem Produzenten bekannte Text- und Hyper-!
textsorten, Internet-spezifische Medien etc.!
Hypertextsorten: Definition – Struktur – Klassifikation
!
9/52!
10. Gliederung!
•
Motivation und Forschungsfragen!
•
Zur Entwicklung von Hypertextsorten!
•
Das Hypertextsortenmodell!
•
Die Korpusdatenbank!
•
Hypertextsorten – Beispiele!
•
Sammlung von Hypertextsorten!
•
Die Hypertextsortenontologie!
•
Zur maschinellen Erkennung von Hypertextsorten!
•
Schlussfolgerungen!
11. Das Hypertextsortenmodell!
•
Bislang kaum Erkenntnisse über die Spezifika von Hypertextsorten!
•
Das Hypertextsortenmodell ist Grundlage für!
- linguistische und textlinguistische Analysen von
Hypertextexemplaren,!
- eine Architektur zur automatischen Erkennung von Hypertextsorten.!
•
Granularität der zu beschreibenden Einheiten:!
- Hypertextsorte!
- Hypertextknotensorte!
- Hypertextsortenmodul!
Hypertextsorten: Definition – Struktur – Klassifikation
!
11/52!
13. Beispiel – Einbettung von Hypertextsorten!
Hypertextsorte:!
Webauftritt einer Universität!
Hypertextsorten: Definition – Struktur – Klassifikation
!
13/52!
14. Beispiel – Einbettung von Hypertextsorten!
Hypertextsorte:!
Webauftritt einer Universität!
Eingebettete Hypertextsorte:!
Webauftritt eines Fachbereichs!
Eingebettete Hypertextsorte:!
Webauftritt eines Fachbereichs!
Eingebettete Hypertextsorte:!
Webauftritt eines Fachbereichs!
Hypertextsorten: Definition – Struktur – Klassifikation
!
14/52!
15. Beispiel – Einbettung von Hypertextsorten!
Hypertextsorte:!
Webauftritt einer Universität!
Eingebettete Hypertextsorte:!
Webauftritt eines Fachbereichs!
Eingebettete Hypertextsorte:!
Webauftritt einer Arbeitsgruppe!
Hypertextsorten: Definition – Struktur – Klassifikation
!
15/52!
16. Beispiel – Einbettung von Hypertextsorten!
Hypertextsorte:!
Webauftritt einer Universität!
Eingebettete Hypertextsorte:!
Webauftritt eines Fachbereichs!
Eingebettete Hypertextsorte:!
Webauftritt einer Arbeitsgruppe!
Hypertextknotensorte:!
Einstiegsseite der persönlichen!
Homepage eines Wissenschaftlers!
Eingebettete Hypertextsorte:!
Persönliche Homepage eines"
Wissenschaftlers!
Hypertextsortenmodul:!
Kontaktinformationen!
Hypertextsortenmodul:!
Foto!
Hypertextsorten: Definition – Struktur – Klassifikation
!
16/52!
17. Gliederung!
•
Motivation und Forschungsfragen!
•
Zur Entwicklung von Hypertextsorten!
•
Das Hypertextsortenmodell!
•
Die Korpusdatenbank!
•
Hypertextsorten – Beispiele!
•
Sammlung von Hypertextsorten!
•
Die Hypertextsortenontologie!
•
Zur maschinellen Erkennung von Hypertextsorten!
•
Schlussfolgerungen!
18. Zur weiteren Methodologie!
•
Korpus-basierter Ansatz – Entwicklung einer Korpusdatenbank (LAMP)!
•
Untersuchungsdomäne: Webauftritte von Hochschulen!
-
Korpus: 3.956.692 HTML-Dokumente (ca. 41 GB)!
Hypertextsorten: Definition – Struktur – Klassifikation
!
18/52!
19. Web-Oberfläche der Korpusdatenbank!
•
SQL-Datenbank für Metadaten!
•
Web-Oberfläche (PHP)
ermöglicht verteilten Zugriff:!
- Navigation & Suche im
Dokumentbestand!
- Generierung von Stichproben!
- Benutzerabhängige und DBgetriebene Unterstützung bei
der Stichprobenanalyse!
Hypertextsorten: Definition – Struktur – Klassifikation
!
19/52!
20. Zur weiteren Methodologie!
• Korpus-basierter Ansatz – Entwicklung einer Korpusdatenbank (LAMP)!
• Untersuchungsdomäne: Webauftritte von Hochschulen!
-
•
Korpus: 3.956.692 HTML-Dokumente (ca. 41 GB)!
Methode: Stichprobenanalysen auf Basis des Hypertextsortenmodells!
1. Erstellung von Profilen für ausgewählte Hypertextsorten!
2. Sammlung von Hypertextsorten!
•
•
Integration der Ergebnisse in einer maschinenlesbaren Repräsentation!
Erstellung und teilweise Implementierung einer Architektur für die
automatische Identifizierung von Hypertextsorten!
Hypertextsorten: Definition – Struktur – Klassifikation
!
20/52!
21. Gliederung!
•
Motivation und Forschungsfragen!
•
Zur Entwicklung von Hypertextsorten!
•
Das Hypertextsortenmodell!
•
Die Korpusdatenbank !
•
Hypertextsorten – Beispiele!
•
Sammlung von Hypertextsorten!
•
Die Hypertextsortenontologie!
•
Zur maschinellen Erkennung von Hypertextsorten!
•
Schlussfolgerungen!
22. Hypertextsorten – Ein Beispiel!
•
Ein sehr interessanter Hypertexttyp: Persönliche Homepage!
•
Mittlerweile existieren subgenerische Varianten, z.B.!
- Persönliche Homepage eines Studierenden!
- Persönliche Homepage eines Wissenschaftlers!
! Enthält z.B. die Hypertextsortenmodule: Name (der dargestellten Person),
Kontaktinformationen, Publikationsliste, Liste aktueller Projekte, ...!
•
Analyse einer Stichprobe von 100 zufällig ausgewählten Instanzen!
Hypertextsorten: Definition – Struktur – Klassifikation
!
22/52!
23. Persönliche Homepage eines Wissenschaftlers!
Hypertextsorten: Definition – Struktur – Klassifikation
!
23/52!
27. Ausprägungen persönlicher Homepages von Wissenschaftlern!
Rudimentäre Ausprägung!
Typische Ausprägung!
Ausführliche Ausprägung!
Hypertextsorten: Definition – Struktur – Klassifikation
!
27/52!
28. Gliederung!
•
Motivation und Forschungsfragen!
•
Zur Entwicklung von Hypertextsorten!
•
Das Hypertextsortenmodell!
•
Die Korpusdatenbank!
•
Hypertextsorten – Beispiele!
•
Sammlung von Hypertextsorten!
•
Die Hypertextsortenontologie!
•
Zur maschinellen Erkennung von Hypertextsorten!
•
Schlussfolgerungen!
29. Sammlung von Hypertextsorten!
•
Kein Konsens bezüglich Anzahl und Granularität von Hypertextsorten!
•
Analyse 750 zufällig ausgewählter, tief eingebetteter Dokumente:!
!a) zugehörige Hypertextsorte, b) Hypertextknotensorte!
•
Frage nach der Bandbreite der Ergebnisse ist zentral für die Aufgabe
der maschinellen Identifizierung von Hypertextsorten:!
a) 65 Hypertexttypen bzw. -sorten!
!
6 Hypertexttypen besitzen 53 Subtypen (= Hypertextsorten)!
b) 114 Hypertextknotentypen bzw. -sorten!
!
10 Hypertextknotentypen besitzen 54 Subtypen (= Hypertextknotensorten)!
!
Ca. 67% gehören zu den universitären Textsorten.!
!
Ca. 34% basieren auf den unterschiedlichsten Gebrauchstextsorten (ca.
20%) oder neuen Hypertextsorten (ca. 14%)!
Hypertextsorten: Definition – Struktur – Klassifikation
!
29/52!
30. Die Hypertextsorten im Überblick!
!1. Webauftritt einer Organisationseinheit (24 Subtypen; 28,4%); 2. Webangebot einer Lehrveranstaltung (4;
13,9%); 3. Vorlesungsverzeichnis (6,0%); 4. SoftwareDokumentation (4; 5,3%); 5. Forschungsbericht,
Jahresbericht (3,7%); 6. Skript einer Lehrveranstaltung; 7. Fotogalerie (4; 3,5%); 8. Pressemitteilungen (3,2%); 9.
Publikationsorgan einer Einrichtung (8; 2,5%); 10. Persönliche Homepage eines Wissenschaftlers (2,3%); 11.
Webauftritt einer Institution (9; 1,9%); 12. Private Homepage eines Studierenden (1,6%); 13.
Unterrichtsmaterialien für die Schule (1,5%); 14. Studienführer (1,3%); 15. Webangebot eines Studiengangs; 16.
Stud. Präsentationen/Hausarbeiten (1,2%); 17. Verzeichnis der Angehörigen einer Organisationseinheit; 18.
Handbuch (1,1%); 19. Virtuelles Museum (1,1%); 20. Anleitungen, Benutzungshinweise (0,9%); 21.
Bibliothekskatalog (0,8%); 22. Fachbuch/Kapitel eines Fachbuches; 23. Diplomarbeit; 24. Digitale Bibliothek
(0,7%); 25. Diskussionsforum; 26. Studentische Präsentation/Vortrag/Ausarbeitung; 27. Webangebot einer
Konferenz; 28. Klassifikation medizinischer Diagnoseprozeduren (0,5%); 29. Lexikon; 30. Webangebot einer
Veranstaltung/eines Wettbewerbs; 31. Zugriffsstatistik; 32. Aufgabenstellungen für Haus oder
Abschlussarbeiten (0,4%); 33. Forschungsprojekte einer Organisationseinheit; 34. Medizinische
Diagnosebeispiele; 35. Regelung, Ordnung, Gesetz, juristischer Text; 36. Studierendenstatistik; 37.
Abschlussbericht (0,3%); 38. Aktuelle Informationen, Termine, Meldungen; 39. Biografie; 40. Digitale Karte; 41.
Dissertation; 42. Fachinformationsportal; 43. FAQDokument; 44. Grafischer Assistent zur Prozessentwicklung;
45. InternetZeitschrift; 46. MailingListenArchiv; 47. Bibliografie (0,1%); 48. Bibliothekssystematik; 49. Daten
historischer Bauwerke; 50. Exkursionsbericht; 51. Glossar; 52. Jahrbuch: 53. Kleinanzeigen: 54. Kochbuch; 55.
Kunst und Kulturprojekt; 56. Protokollarchiv; 57. Prüfungsordnung; 58. Richtlinien (für Studien und
Hausarbeiten); 59. Semesterapparate; 60. Studienordnung; 61. Tageszeitung; 62. Tippspiel zu einer
Sportveranstaltung; 63. Transferkatalog; 64. Virtual Library; 65. Wissenschaftlicher Artikel!
!
Hypertextsorten: Definition – Struktur – Klassifikation
!
30/52!
31. Die Hypertextknotensorten im Überblick (Ausschnitt)!
!1. Seite/Abschnitt (20 Subtypen; 15,9%); 2. Folie (6; 10,7%); 3. Organisatorische Kerndaten einer
Lehrveranstaltung (4; 6,1%); 4. Abstract (6; 5,6%); 5. Foto (3,9%); 6. Einstiegsseite (3,2%); 7. Pressemitteilung; 8.
Berufliche Homepage eines Hochschulangehörigen (2; 2,4%); 9. Redaktioneller Artikel eines Publikationsorgans (6;
2,1%); 10. Primäre Navigationshilfe (1,7%); 11. Kurzdarstellung eines Arbeitsgebiets (einer Organisationseinheit)
(1,6%); 12. Anleitung bzw. Benutzungshinweise (1,3%); 13. Hotlist; 14. Persönliche Homepage eines
Wissenschaftlers; 15. Übungsaufgaben (einer Lehrveranstaltung); 16. Vorlesungsverzeichnis (3); 17. Ablaufplan
bzw. Programm (einer Lehrveranstaltung) (1,2%); 18. Publikationsliste (2); 19. Zuordnung nicht möglich; 20.
Kopfzeile (1,1%); 21. Studienhinweise (3); 22. Unterrichtsmaterialien (für die Schule); 23. Ankündigung (0,9%); 24.
Fotogalerie; 25. Ausstellungsobjekt (eines virtuellen Museums) (0,8%); 26. Bibliothekskatalog (Datensatz); 27. E
Mail; 28. Kontaktinformationen; 29. Kurzdarstellung einer Organisationseinheit (Funktionen und
Kontaktinformationen); 30. Kurzdarstellung eines Dienstleistungsspektrums (im TechnologietransferKontext)
(0,7%); 31. Lexikoneintrag; 32. Lösungen von Übungsaufgaben (einer Lehrveranstaltung); 33.
Mitarbeiterverzeichnis; 34. Programmcode, Quelltext; 35. Studierendenstatistik; 36. Abgeschlossene und/oder
angebotene Haus und Abschlussarbeiten (0,5%); 37. Aktuelle Meldung/Information (keine Pressemitteilung); 38.
Bibliografie; 39. Einladung; 40. Inhaltsverzeichnis (3); 41. Klausur und Prüfungstermine; 42. Medizinische
Diagnoseprozedur; 43. Statistische Daten (maschinell generiert); 44. „Under Construction“Hinweis; 45. Verteiler;
46. Index bzw. Dateiliste (vom Webserver generiert); 47. Aufgabenstellung für eine Haus oder Abschlussarbeit
(0,4%); 48. Bericht zu einer Konferenz/Tagung/Veranstaltung; 49. DownloadListe (multimediale Ressourcen); 50.
Kommentar einer Lehrveranstaltung !
!!
Hypertextsorten: Definition – Struktur – Klassifikation
!
31/52!
32. Spezialisierte Hypertextknotensorten!
•
•
Erschweren die maschinelle Verarbeitung: Hochgradig spezialisierte
Hypertextsorten und Hypertextknotensorten (Fachinformationen).!
Zwei vollständig reproduzierte Beispiele:!
Kerndaten eines historischen Bauwerks
!
Medizinische Diagnoseprozedur!
Hypertextsorten: Definition – Struktur – Klassifikation
!
32/52!
33. Problemfälle: Zuordnung nicht möglich!
Zugehörige Hypertextsorte: !
Kunst- und Kulturprojekt!
(„Ein Friedhof senkrecht in den Himmel“)!
!
!
Zugehörige Hypertextsorte: !
Webangebot einer Lehrveranstaltung!
Basiert vermutlich auf !
der Broschüre des Vereins!
„Interkultureller Rat in!
Deutschland e.V.“!
!
Umfasst u.a. Instanzen der!
folgenden Textsorten:!
• Gesetzestext!
• Aufruf!
• Vorstellungstext!
• Adressliste!
• Telefonverzeichnis!
• Impressum!
• Produktkatalog!
Zugehörige Hypertextsorte:!
Virtuelles Museum!
Zugehörige Hypertextsorte:!
Webauftritt einer Professur !
bzw. Arbeitsgruppe!
Hypertextsorten: Definition – Struktur – Klassifikation
!
33/52!
34. Gliederung!
•
Motivation und Forschungsfragen!
•
Zur Entwicklung von Hypertextsorten!
•
Das Hypertextsortenmodell!
•
Die Korpusdatenbank!
•
Hypertextsorten – Beispiele!
•
Sammlung von Hypertextsorten!
•
Die Hypertextsortenontologie!
•
Zur maschinellen Erkennung von Hypertextsorten!
•
Schlussfolgerungen!
35. Repräsentation von Hypertextsorten durch Ontologien!
•
Teilziel: Konstruktion einer Ontologie von Hypertextsorten als
Ressource für sprachtechnologische Anwendungen!
•
Datengrundlage:!
1.
2.
top-down-Stichprobe (727 Dokumente der obersten Linkebene der
Einstiegsseiten von 35 im Korpus enthaltenen Universitäten)!
3.
bottom-up-Stichprobe (750 tief eingebettete Dokumente)!
4.
•
Initiale Stichprobe (200 zufällig ausgewählte Dokumente) !
Drei weitere Stichproben zu unterschiedlichen Typen persönlicher Homepages
(insgesamt ca. 1500 Dokumente)!
Modellierung in der Web Ontology Language (OWL)!
Hypertextsorten: Definition – Struktur – Klassifikation
!
35/52!
36. Integration von drei unterschiedlichen Ontologien!
UDK (Kategorienbaum
!
des Projekts GERHARD;
!
ca. 25.000 Klassen)
!
Mehrere Datenquellen
!
(z.B. Hochschulgesetze;
!
ca. 400 Klassen und 200
Relationen)
!
Ontologie wissenschaftlicher!
Themen und Fachgebiete!
Domänenontologie!
referenziert!
Hypertextsortenmodell
!
Stichprobenanalysen
!
Hypertextsortenontologie!
beschreibt!
Hypertexttypen und!
Hypertextsorten!
Hypertextknotentypen und!
Hypertextknotensorten!
Hypertextsortenmodule!
Hypertextsorten: Definition – Struktur – Klassifikation
!
36/52!
37. Die Hypertextsortenontologie!
das Hypertext-!
sortenmodell!
in abstrakter Form!
das Hypertext-!
sortenmodell!
als OWL-Ontologie!
(Ausschnitt)!
Ontologie angefertigt mittels Protégé-OWL,Visualisierung mittels OntoViz/GraphViz!
Hypertextsorten: Definition – Struktur – Klassifikation
!
37/52!
38. Die Hypertextsortenontologie!
Referenzierung aller potentiellen Emittenten,!
die in der Domänenontologie repräsentiert werden!
In diesen Visualisierungen fehlen u.a.:!
•
•
•
Datatype Propertys!
Spezifikationen der Relationen!
RDF-Annotationen!
Hypertextsorten: Definition – Struktur – Klassifikation
!
38/52!
39. Die Hypertextsortenontologie!
Hypertexttyp: Software-Dokumentation!
•
Umfasst vier Hypertextsorten!
•
Ihre Definitionen referenzieren spezifische Subklassen von Hypertextknotentyp
•
Instanzen werden primär von Seminaren bzw. Instituten und Arbeitsgruppen publiziert!
•
domain:SubjectArea bezeichnet die Ontologie wissenschaftlicher Themen/
Fachgebiete!
Hypertextsorten: Definition – Struktur – Klassifikation
!
39/52!
41. OWL-Ontologien und Dokumentgrammatiken!
•
Kein XML-Standard zur Repräsentation multipler Dokumentgrammatiken!
•
OWL bietet sich für diesen Zweck an:!
- Hypertextsortenontologie: Oberhalb der Ebene einzelner DTDs!
- DTDs können über Annotationen/RDF-Propertys integriert werden!
- Hypertextsortenontologie sollte als Sammlung von Dokumentgrammatiken fungieren können:!
! Maschinelle Identifizierung der Hypertextsorte eines HTML-Hypertextes!
! Kompilierung der zugehörigen Dokumentgrammatik (z.B. DTD PHEW)!
! Abbildung auf Hypertextsortenmodule und Hypertextknotensorten!
! Konvertierung des gegebenen Hypertextes von HTML nach XML (gemäß PHEW)!
Hypertextsorten: Definition – Struktur – Klassifikation
!
41/52!
42. Gliederung!
•
Motivation und Forschungsfragen!
•
Zur Entwicklung von Hypertextsorten!
•
Das Hypertextsortenmodell!
•
Die Korpusdatenbank!
•
Hypertextsorten – Beispiele!
•
Sammlung von Hypertextsorten!
•
Die Hypertextsortenontologie!
•
Zur maschinellen Erkennung von Hypertextsorten!
•
Schlussfolgerungen!
43. Kritische Anmerkungen zum Status Quo!
•
Die maschinelle Identifizierung von Web-Genres ist prinzipiell möglich.!
•
Es liegen jedoch mehrere Problemkreise vor, z.B.:!
1. Auswahl und Granularität der verwendeten Web-Genres ad hoc und weder
textlinguistisch noch empirisch motiviert.!
2. Mangelnde theoretische Fundierung – Die Spezifika von Hypertextsorten werden
ignoriert (einfache Übertragung der traditionellen Verfahren auf das WWW).!
3. Das einzelne HTML-Dokument als atomare Analyseeinheit – Die realen
Gegebenheiten im World Wide Web werden ignoriert.!
4. Die verwendeten Methoden und ihre Skalierbarkeit – Können mit ihnen auch die
150+ Hypertextknotensorten der fünften Stichprobe verarbeitet werden?!
Hypertextsorten: Definition – Struktur – Klassifikation
!
43/52!
45. Der Textparser für generische HTML-Dokumente!
•
Prämisse: Konvertierung von HTML nach XHTML (d.h. XML)!
•
Mehrstufige, rekursive Verarbeitung der DOM-Struktur!
- Analyse der struktur- und layoutorientierten Elemente und Attribute!
- Problem: tag abuse!
•
Ziele:!
- Ermittlung der Bausteine der Textoberfläche!
- Reduktion des meist sehr komplexen HTML-Markups auf ein
überschaubares Inventar von Makrostrukturbausteinen!
- Abbildung dieser Bausteine auf Hypertextsortenmodule!
Hypertextsorten: Definition – Struktur – Klassifikation
!
45/52!
46. Das Document Object Model (DOM)!
Hypertextsorten: Definition – Struktur – Klassifikation
!
46/52!
47. Der Textparser für generische HTML-Dokumente!
•
Perl (benutzt XML::LibXML, also DOM Level 2 und XPath)!
•
Rekursive Funktionen beginnen Analyse bei Wurzel (<html>):!
- Berechnung von Merkmalen für alle Teilbäume, z.B.:!
! Hyperlink-Analyse (external, samedomain, internal)!
! Analyse von Listen-Strukturen!
! Analyse eingebetteter Grafiken (Abmessungen, Werbebanner, Separatoren)!
! Anzahl Kindelemente, Anteil Elemente/Attribute, Anzahl Wörter!
•
Ergebnisse werden innerhalb des Dokuments abgelegt !
- Neuer Namensraum: hypnotic (Analyse-DTD in der Architektur)!
- Vergrößert ein Dokument etwa um den Faktor 25!
- Ermöglicht Meta-Ansicht und Partitionierung eines Dokuments!
- Visualisierung innerhalb der Web-Oberfläche!
Hypertextsorten: Definition – Struktur – Klassifikation
!
Video 1,Video 2 !
47/52!
48. Ausblick – Informationsextraktion!
•
Wrapping:!
- Informationsextraktion aus genau einem HTML-Dokument-Typ"
(z.B. Yahoo!-Newsticker-Seiten)!
•
Wrapping ist sehr unflexibel, daher:!
- Hypertextsorten-getriebene Informationsextraktion!
- Idee: Integration aller Ressourcen in die Hypertextsortenontologie!
- Sie erfüllt mehrere Funktionen parallel:!
! Modelliert die Konstituenten von Hypertextsorten!
! Dient als Grundlage für Dokumentgrammatiken!
! Enthält Ressourcen für die maschinelle Verarbeitung (z.B. assoziierte Wrapper,
DTD-Fragmente, statistische Daten, Schlüsselwörter)!
Hypertextsorten: Definition – Struktur – Klassifikation
!
48/52!
50. Gliederung!
•
Motivation und Forschungsfragen!
•
Zur Entwicklung von Hypertextsorten!
•
Das Hypertextsortenmodell!
•
Die Korpusdatenbank!
•
Hypertextsorten – Beispiele!
•
Sammlung von Hypertextsorten!
•
Die Hypertextsortenontologie!
•
Zur maschinellen Erkennung von Hypertextsorten!
•
Schlussfolgerungen!
51. Perspektiven!
•
Hypertextsorten in der Sprach- und Informationstechnologie:!
- Filterung in Suchmaschinen!
- Generische Informationsextraktion!
- Metadatenvokabulare (z.B. in Dublin Core)!
- Webdesign (z.B. Hypertextsorten als empirisch gestützte und mit
Hilfe der Ontologie konstruierte Templates für einen HTML-Editor)!
- (Korpus)linguistische Analysen (zur Systematisierung des Web as
Corpus -Ansatzes)!
- Sprachtechnologische Anwendungen (z.B. Textzusammenfassen und
Anpassung von HTML-Dokumenten an mobile Endgeräte)!
Hypertextsorten: Definition – Struktur – Klassifikation
!
51/52!
52. Schlussfolgerungen!
•
•
Einige Hypertextsorten sind äußerst konventionalisiert "
(z.B. die persönliche Homepage eines Wissenschaftlers).!
Hypertextsorten werden nur sehr punktuell in sprachtechnologischen
Systemen zur Verarbeitung von HTML-Dokumenten eingesetzt.!
•
Langfristiges Ziel: Suchmaschine mit Hypertextsorten-Filter!
•
Übergreifende Probleme verhindern dies (zurzeit) noch. Hierzu zählen:!
- Problematik eines WWW-weit gültigen Inventars von Hypertextsorten:!
! Bestimmung nur manuell und empirisch möglich (Stichprobenanalysen)!
! Ermittlung aller Hypertextsorten im WWW ist nicht realistisch"
(im WWW existieren beliebige traditionelle Textsorten, kulturelle
Besonderheiten, spezifische Diskursgemeinschaften etc.)!
- Maschinelle Bestimmung der Grenzen von Hypertexten!
- Maschinelle Bestimmung von Hypertextsortenmodulen!
Hypertextsorten: Definition – Struktur – Klassifikation
!
52/52!