Angebotsbeschreibungen für Online-Einkaufsportale zur automatischen Klassifizierung und Informationsextraktion mittels Rekursiver Transitionsnetzwerke

Inhaltsverzeichnis

0. Einführung

I. Theoretischer Hintergrund
1. Merkmale des Korpus
2. Relata, Relatoren und Relationen
3. Die Relatoren
3.1 Präpositionen
3.1.1 MIT
3.1.2 FÜR
3.1.3 OHNE
3.1.4 IN
3.1.5 ZU
3.1.6 AUS
3.1.7 VON
3.1.8 GEGEN
3.1.9 AUF
3.2 Präpositionalphrasen
3.2.1 Präposition – Adjektiv
3.2.2 Präposition – Substantiv
3.2.3 Präposition – Verb
3.2.4 Präposition – sonstige Wortarten
3.3 Konjunktionen
3.3.1 UND
3.3.2 ODER
3.4 Verben
3.5 Weitere wortbasierte Relatoren
3.6 Symbole
3.7 Beobachtungen und Probleme
4. Klassen von Relatoren und Typologie der Relata
4.1 Relatorenklasse: MIT
4.1.1 Paradigmatische Realisierung
4.1.2 Syntagmatische Realisierung
4.1.3 Typologie des Nachfeldes
4.1.3.1 Konkreta
4.1.3.2 Abstrakta
4.2 Relatorenklasse: FÜR
4.2.1 Paradigmatische Realisierung
4.2.2 Syntagmatische Realisierung
4.2.3 Typologie des Nachfeldes
4.2.3.1 Konkreta
4.2.3.2 Abstrakta
4.3 Relatorenklasse: OHNE
4.3.1 Paradigmatische Realisierung
4.3.2 Syntagmatische Realisierung
4.3.3 Typologie des Nachfeldes
4.3.3.1 Konkreta
4.3.3.2 Abstrakta
5. Zusammenfassung und Ausblick

II. Eine Beispielanwendung
1. Der Hintergrund
1.1 Einbettung in die Prozeßarchitektur
1.2 Ansätze für die Konstruktion von IE-Komponenten
2. Das Werkzeug
3. Die Ressourcen
3.1 Das Korpus
3.1.1 Kennzeichen
3.1.2 Vorverarbeitung
3.1.2.1 Normalisierung
3.1.2.2 Tokenisierung
3.1.2.3 Lexikalisches Parsing
3.2 Die Lexika
3.3 Graphen
4. Heuristik
4.1 Erstellung der Lexika
4.1.1 Arbeitsschritte
4.1.2 Übersicht über die Lexikondateien
4.1.2.1 Lexika der Relatoren
4.1.2.2 Lexika der generischen Konkreta
4.1.2.3 Lexika der Eigennamen (Marken- und Modellnamen)
4.1.2.4 Lexika der Attribute
4.1.2.5 Lexika der Vertrags- und Anbieterdaten
4.1.2.6 Sonstige Lexika
4.2 Erstellen der Lokalen Grammatiken
4.2.1 Abstrahieren von Schemata
4.2.2 Der Hauptgraph main.grf
4.2.3 Die Subgraphen auf der zweiten Ebene
4.2.3.1 Angebote mit Telefon – Relator – Vertragsbestandteil
4.2.3.2 Angebote mit Telefon – Relator – Vertragsbestandteil – weiteres Element
4.2.4 Die Subgraphen auf der dritten Ebene
4.3 Anwenden der Grammatiken auf das Korpus
4.4 Nachbearbeitung des annotierten Korpus
5. Evaluation und Zusammenfassung
5.1 Evaluation
5.1.1 Vollständigkeit
5.1.2 Präzision
5.1.3 Wahrheitsmatrix
5.1.4 Bewertung
5.2 Zusammenfassung

Tabellenverzeichnis

Abbildungsverzeichnis

Literaturverzeichnis

0. Einführung

Das Einkaufen im Internet hat sich neben dem stationären Handel in den letzten Jahren zu einer tragenden Säule der Wirtschaft entwickelt. Die Menge der im Internet umgesetzten Waren hängt jedoch nicht zuletzt davon ab, ob der Verbraucher einen Anbieter und bei diesem das für ihn passende Produkt findet. Ohne eine umfassende Klassifikation von Produkten und eine ausgereifte Suchtechnologie ist das jedoch kaum möglich. Großer manueller Aufwand dafür ist natürlich sehr kostspielig. Es sollten daher Werkzeuge entwickelt werden, die durch umfassende Konfigurierbarkeit und Flexibilität beim Einsatz helfen, große Mengen von Produkt- und Angebotsdaten weitestgehend automatisch zu analysieren und klassifizieren bzw. parametrisieren.

Die vorliegende Untersuchung stellt einen Ansatz vor, der in einem solchen kommerziellen Umfeld entstanden ist und eingesetzt wird. Im Bereich des elektronischen Handels findet er Anwendung, um Prozesse der automatischen Verarbeitung von deutschsprachigen Produkt- und Angebotsdaten zu unterstützen, die letztlich das Ziel haben, die zentrale Problematik des Online-Shoppings – das Suchen und Finden von Produkten – zu optimieren.

Die Idee ist dabei, linguistische Informationen – insbesondere lexikalische Daten und syntak­tische Strukturen – aus den Angebots­texten zu nutzen, um die darin beschriebenen Produkte zu klassifizieren. Die dafür relevanten Informationen werden mittels Informationsextraktion (IE) gewonnen und bearbeitet.

„Das Ziel der IE ist die Konstruktion von Systemen, die gezielt domänenspezifische Informationen aus freien Texten aufspüren und strukturieren können, bei gleichzeitigem „Überlesen“ irrelevanter Information. IR-Systeme versuchen keine umfassende Analyse des gesamten Inhaltes aller Text­dokumente, sondern sollen nur die Textpassagen analysieren bzw. „verstehen“, die relevante Information beinhalten. Was als relevant gilt, wird dabei durch vordefinierte domänenspezifische Lexikon­einträge oder Regeln dem System fest vorgegeben.“^[1]

Es geht hier also vorrangig darum, bestimmte wiederkehrende und aussagekräftige Muster zu erkennen, zu formalisieren und durch Abstraktion auf einen Zusammenhang zwischen der Struktur des Angebotstextes und der Art und Zusammensetzung des konkreten Ver­kaufsobjektes zu schließen.

Die Arbeit besteht daher aus zwei Teilen: einem theoretischen, linguistisch-analytischen Ab­schnitt, in dem das Phänomen der sogenannten Relatoren zunächst ganz allgemein anhand des vorliegenden Korpus (Produkt- bzw. Angebotsinformationen aus dem Online-Handel) analysiert wird, und einem praktisch-anwendungsorientierten Abschnitt, in dem die Er­kennt­nisse der linguistischen Untersuchung konkret für eine ausgewählte Produkt­kategorie – Telekommunikationsprodukte – und mit einem Zweck – Erkennen einer Set-Relation – umgesetzt werden.

I. Theoretischer Hintergrund

1. Merkmale des Korpus

Das Korpus, das die Grundlage dieser Untersuchung bildet, zeichnet sich durch eine Reihe von prägnanten Merkmalen aus, die es zum einen zwar deutlich von üblichen Korpora unterscheiden und eine besondere Behandlung erfordern, zum anderen aber auch eine interessante Analyse ermöglichen.

Das Korpus setzt sich aus kurzen Angebotsbeschreibungen zusammen, die Händler aus den Eckdaten der Produkte verfassen und die dann auf Shopping-Portalen erscheinen. Thematisch handelt es sich um Angebote aus allen Produktbereichen, von Computern über Haushaltsgeräte bis hin zu Kleidung. Für die Untersuchung der Zusammensetzung und der Struktur der Angebote wird jedoch von vornherein die Kategorie Medien ausgeschlossen, da dort das Vorkommen von Eigennamen und festen Titeln die Untersuchungsergebnisse verzerren würde.

Auffälligstes Merkmal des Korpus ist, daß es sich nicht um Fließtext handelt. Die einzelnen Angebotsbeschreibungen bestehen vielmehr aus einer Aneinanderreihung von Produkt­informationen zu Textfragmenten und weisen nur eine rudimentäre Grammatik auf. Dies mag vielerlei Gründe haben, insbesondere natürlich die Platzbegrenzung auf den Einkaufs­portalen, die die Händler zwingt, möglichst viele Informationen zu einem Angebot mit sehr wenig Text zu vermitteln.

Der Text ist folglich stark segmentiert, als Analyseeinheit dienen voneinander unabhängige Angebote, die jeweils nur eine Zeile umfassen. Es kommen zudem lediglich bestimmte offene und geschlossene Wortarten vor. Dies sind vor allem bedeutungstragende Wortarten, wobei der Stil ausgeprägt nominal ist, d.h. den größten Anteil haben Nomen (Substantive, Adjektive). Verben kommen hingegen nur sporadisch vor. Von den funktionstragenden Wortarten treten fast ausschließlich Präpositionen auf. Darüber hinaus enthält das Korpus viele Sonderzeichen.

Insgesamt betrachtet ist das Korpus zwar einerseits sehr heterogen, z.B. in der Verwendung von Interpunktionszeichen, da die Angebote von sehr vielen verschiedenen Händlern stammen und es in bezug auf Wortwahl, Aufbau und Interpunktion keine vorgegebenen Standards gibt. Andererseits sind die Angebotstexte eines einzelnen Händlers sowohl in ihrer Struktur und in der Reihenfolge der Anordnung der einzelnen Bestandteile als auch in der Verwendung von Interpunktionszeichen meist recht homogen.

2. Relata, Relatoren und Relationen

Auf semantischer Ebene lassen sich die Angebote grob als einfache (Beispiel: Samsung SGH-E770) und komplexe Angebote (Beispiel: VK-Mobile VK 1010 mit T-Mobile D1 Telly Profi Vertrag) klassifizieren. Gegenstand der folgenden Betrachtungen sollen ausschließlich komplexe Angebote sein. Komplex drückt dabei aus, daß sich ein Angebot aus mehreren Teilen, d. h. Produkten wie Geräten o. ä., zusammensetzt. Zwischen diesen ein­zelnen Bestandteilen besteht ein bestimmter Typ von Relation, z. B. die Zubehör-Relation oder die Set-Relation. Eine „Zubehör-Relation“ ist beispielsweise dadurch gekennzeichnet, daß Teil X und Teil Y zusammen auftreten, und Y als Zubehör für X fungiert. „Set-Relation“ hingegen sagt aus, daß zwei Teile X und Y zusammen auftreten, d. h. im Set verkauft werden.

Es wird nun angenommen, daß sich diese semantischen Relationen auch auf syntag­matischer Ebene widerspiegeln. Bei komplexen Angeboten fällt nämlich auf, daß sich der Angebotstext – meist anhand bestimmter Marker – in verschiedene Bereiche (Felder) gliedern läßt und dadurch schon auf den ersten Blick gewisse sich wiederholende elementare Strukturen erkennbar sind. Folgende Beispiele illustrieren dies:

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 1: Beispiele für komplexe Angebote

Da man also davon ausgehen kann, daß diese Marker die zentrale Rolle für die Kenn­zeichnung einer Relation und die Bestimmung des Relationstyps spielen, sind sie Gegenstand der Untersuchung in den folgenden Kapiteln 3 und 4. Dabei wird auf die Gestalt, die Funktionen, die Gruppierungen, aber auch den Kontext der verschiedenen Marker eingegangen.

Um die relationsbildende, verknüpfende Funktion der Marker deutlicher herauszustellen, werden sie als Relatoren bezeichnet. „A relator is a lexical item whose function is to show the relationship between its surrounding constructions.“^[2] Die verknüpften Elemente werden entsprechend Relata genannt. Die semantische Relation zwischen Relata kann durch ein Prädikat ausgedrückt werden.

3. Die Relatoren

Relatoren können vielerlei Gestalt annehmen. In diesem Kapitel wird daher ein Überblick über die verschiedenen Relatoren und ihre Ausprägungen gegeben, die im Korpus zu finden sind. Angesichts des knappbemessenen Rahmens dieser Arbeit ist jedoch eine Beschränkung auf repräsentative Beispiele notwendig.

Abbildung in dieser Leseprobe nicht enthalten

3.1 Präpositionen

Die Mehrzahl der Relatoren gehört der Gruppe der Präpositionen an, die traditionell eine verknüpfende Funktion besitzen.

Im folgenden werden die vorkommenden präpositionalen Relatoren der Übersicht halber tabellarisch mit ihren verschiedenen Ober­flächenformen vorgestellt und jeweils mit Bei­spielen aus dem Korpus illustriert.

3.1.1 MIT

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 2: Der Relator MIT

Beispiele aus dem Korpus:

(1) Prismenbrille mit Brillenetui
(2) Braun Flex XPII 5775 mit Ladestation
(3) Kinderschreibtisch mit Stuhl
(4) Esprit Shirt mit 3/4-Ärmeln
(5) HP Ausgabefach 3000 Bl m Hefteinrichtung f LJ 8XXX/N
(6) Braune Langhaar Perücke m. Zöpfe
(7) Personenwaage Omega mit extra großen Ziffern
(8) TV-Fernbedienung mit großen Tasten
(9) Miele Bodendüse SBDH 285 mit integriertem Hygienesensor
(10) Anhänger Delphin m. Katzenauge
(11) Esprit T-Shirt mit Motivdruck

3.1.2 FÜR

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 3: Der Relator FÜR

Beispiele aus dem Korpus:

(1) Sonnenschutz Winnie the Pooh für Heckscheibe
(2) Nokia DCC 1 Tischladestation für Nokia 7650
(3) HP Papierzuführung 250 Blatt für Color Laserjet 2550L
(4) HP Beschichtungsleistensatz f ColorLJ
(5) Holzkoffer für Arzneimittel
(6) Siemens Staubsaugerbeutel für VS08 5 Stück Typ P
(7) Jura Milchbehälter für F90/F50/E85/E80/E45
(8) HP MultiBay Li-Ion Akku Smart Battery System - fuer EVO N800c/v
(9) Halbrundnapf für Papageien
(10)Sony DCC-L1 Auto Ladegerät für das Laden von Li-Ionen Akkus

3.1.3 OHNE

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 4: Der Relator OHNE

Beispiele aus dem Korpus:

(1) Toilettenaufsatz de Lux 10 cm ohne Deckel
(2) Ballstuhl ohne Armlehnen
(3) Nokia 5140i orange Handy (ohne Vertrag)

3.1.4 IN

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 5: Der Relator IN

Beispiele aus dem Korpus:

(1) Esprit Langarm-Shirt im Doppelpack
(2) Mädchen-Hemd mit Spagettiträgern im 2er-Pack
(3) Trendiger Tischläufer im Streifendesign
(4) Anleitung in Farbdruck zum Lo Pan des Westens
(5) Edle Glasschalen in rot/gold
(6) Skat in Postkartengröße
(7) Fashy Aqua-Windel in Shortform
(8) Duftkerzen in Geschenkebox
(9) Brunnen Kugel in Schale Graphit/Marmor
(10)LUXUS-NUMIS Album in Leder
(11)Booster C™ - Vitamin C in seiner reinsten Form
3.1.5 ZU

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 6: Der Relator ZU

Beispiele aus dem Korpus:

(1) Hudora Fußballtor und Torwand zum Setpreis
(2) Logitech QuickCam Communicate Webcam zum Erfassen von Videos
(3) JavaLean™ Kaffe zum Abnehmen oder der Diät
(4) SanDisk ImageMate USB zum einlesen von MMC-Karte & SD-Karten
(5) Software zum Thema "Symbole“
(6) Handbuch zu Qi-Gong-Kugeln

3.1.6 AUS

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 7: Der Relator AUS

Beispiele aus dem Korpus:

(1) Isolierkanne aus Edelstahl
(2) Kenwood Getreidemühle aus Vulkanstein A 1412
(3) Lichtleiste aus Kunststoff mit EVG
(4) Klappbares Tablett und Lesepult aus Holz
(5) Hinoki® Vitamin-E Konzentrat aus Pflanzen, 100 ml
(6) Honig aus Neuseeland
(7) Rotweinsortiment aus der Region Salento - Italien (4 Fl.)
(8) Bee Pollen - echte natürliche Blütenpollen aus der Natur
(9) Originalmünzen aus der Kaiserzeit

3.1.7 VON

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 8: Der Relator VON

Beispiele aus dem Korpus:

(1) Fenster-Ornaments, "Sonne"von Swarovski
(2) SanDisk ImageMate USB zum einlesen von MMC-Karte & SD-Karten
(3) ELO Office 5.0 Update von Version 4.x, deutsch
(4) Belkin USB 2.0 DVD Creator zum Speichern, Bearbeiten und
Versenden von Videos, inkl. DVD-Software Ulead
(5) Seiko InkLink ermöglicht eine einfache Datenübertragung von
Papier auf PCs, Notebooks
(6) Macromedia Freehand MX UpDate WIN CD deutsch, von Version 10.x
(7) Olympus Adapterstecker PA 3 von 3,5 auf 2,5 mm
(8) HP Ultrium 215i intern, Kapazität von bis zu 200GB
(9) TomTom Navigator 3 inkl. GPS-Receiver Karten von Deutschland,

Österreich, Schweiz

3.1.8 GEGEN

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 9: Der Relator GEGEN

Beispiele aus dem Korpus:

(1) Dr. Bermanís® Kosmetik Eye Treatment Mask gegen Augenringe

3.1.9 AUF

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 10: Der Relator AUF

Beispiele aus dem Korpus:

(1) Exklusiver Gehstock Alpacca auf echt Ebenholz
(2) Schlafender Engel auf Vase
(3) Vernebler "Rainbow"auf Alabaster-Säule
(4) Acer Garantieverlängerung auf 3 Jahre (Advantage)
(5) Olympus Adapterstecker PA 3 von 3,5 auf 2,5 mm

3.2 Präpositionalphrasen

Neben den genannten allein auftretenden Präpositionen können Phrasen mit einem präpositionalen Kern als Relatoren fungieren. Dabei gehören zu den Oberflächenformen natürlich außerdem die jeweiligen Schreibvarianten der präpositionalen Bestandteile.

Folgende Kombinationen von Wortarten sind beobachtet worden:

3.2.1 Präposition – Adjektiv

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 11: Kombinationen aus Präposition und Adjektiv

Beispiele aus dem Korpus:

(1) HP Beschichtungsleistensatz für ColorJet 5/5M nur mit C3969A

verwendbar

(2) PhytoPath® - Der Schutz vor freien Radikalen - ideal für Raucher

(3) ChloroPlasma® - Die bessere Spirulina Alge - Für alle Vegetarier

ideal - Die Eiweiß Versorgung!

(4) Power Burn™ - Fett verbrennen kann so leicht sein. Perfekt für

Ihre Diät - Abnehmen

3.2.2 Präposition – Substantiv

Hierbei handelt es sich meist um Nominalisierungen, also deverbale Substantive wie bei­spielsweise Erfassen, Anschluß u. ä.

Das Erstellen eines Lexikons mit Konstruktionen dieser Art – Kombinationen aus Prä­positionen und Substantiven sowie gelegentlich attributiven Adjektiven – unterstützt die Erkennung von Relationen auch über das Vorkommen einzelner Relatoren hinaus.

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 12: Kombinationen aus Präposition und Substantiv

Beispiele aus dem Korpus:

(1) AVM Access Server PRI Mit integrierter Unterstützung von ISDN,

DSL oder AVM KEN!

(2) Mustek DVD PL 207 portabler DVD Player Wiedergabe von DVD, Kodak

Picture CD, JPEG, CD, DVD+R, DVD+RW, DVD-R, DVD-RW

(3) Belkin SCSI III/SCSI III Kabel, 1m Micro DB68 S/S, dient der

Vernetzung von zwei beliebigen SCSI-Geräten

(4) Sharkoon Steuermodul Kaltlicht zur Steuerung von

Kaltlichkathoden

(5) Belkin MPC II CD-ROM-Audiokabel, 0,6m ermöglicht das Abspielen

von CDs über die PC-Lautsprecher

(6) Avocent SwitchView USB PS2 2 Port KVM 2 Port KVM mit integr 2

Port USB Hub zur gemeinamen Nutzung von USB Peripherie

3.2.3 Präposition – Verb

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 13: Kombinationen aus Präposition und Verb

Beispiele aus dem Korpus:

(1) AVM BlueFRITZ! ISDN Set V2 besteht aus Access Point AP-ISDN und

BlueFRITZ! USB

(2) Olympus B-32LPSE LiPO Erweiterung Powergrip für E-10 und E-10,

bestehend aus: Griff mit zweitem Auslöser

(3) Lexmark X630 A4 Multifunktionsgerät basierend auf T630-Serie 64

MB, 33 S./Min., 1200 dpi

3.2.4 Präposition – sonstige Wortarten

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 14: Kombinationen aus Präposition und sonstigen Wortarten

Beispiele aus dem Korpus:

(1) HP Papierzuführung 250 Blatt für Color Laserjet 2550L und 2550LN

nicht für 2550N

3.3 Konjunktionen

3.3.1 UND

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 15: Der Relator UND

Beispiele aus dem Korpus:

(1) Klappbares Tablett und Lesepult aus Holz

(2) Siemens VZ121HD Parkett- und Hartbodendüse

(3) Keimfutter Sittiche und Exoten

(4) Kalligraphieutensilien und Unterlage

(5) Eddie Bauer Sportschuh für Damen und Herren, Damengrößen

3.3.2 ODER

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 16: Der Relator ODER

Beispiele aus dem Korpus:

(1) AVM Access Server PRI Mit integrierter Unterstützung von ISDN,

DSL oder AVM KEN!

3.4 Verben

Auch Verben allein können in konjugierter Form als Relatoren fungieren.

Beispiele aus dem Korpus:

(1) Starter-Kit für Notebooks enthält Wireless-G Broadband

(2) Seiko InkLink ermöglicht eine einfache Datenübertragung von

Papier auf PCs, Notebooks

(3) Belkin VGA Monitor Y-Kabel ermöglicht Verbindung von zwei

Monitoren mit HDDB15-Steckern und einem PC

(4) Belkin Monitorersatzkabel 15m VGA/SVGA HD M TO M - unterstützt

hochauflösende Videotechnik

(5) Belkin VGA-Monitorverlängerungskabel mit Rändelschrauben,

verlängert jedes SVGA-Monitorkabel mit HDDB15-Steckern

(6) Belkin MAC-VGA-Adapter unterstützt den Einsatz von Macs und

PowerPCs

(7) Belkin Blaster Canned Air 340 g reinigt Laptops, Tastaturen,

CD-, DVD-, CD-R- und Diskettenlaufwerke

3.5 Weitere wortbasierte Relatoren

Als weitere Relatoren sind folgende Ausdrücke zu nennen, die auch kombiniert mit anderen Wortarten, wie z.B. Substantiven, sowie Satzzeichen auftreten können.

Abbildung in dieser Leseprobe nicht enthalten

Tabelle 17: Weitere Relatoren

Beispiele aus dem Korpus:

(1) Plug Phone ISDN-Anlage wie COMpact 2206 USB
(2) Pendel-Set, inkl. Messing Pendel
(3) Nokia 1600 t-mobile D1 xtra inkl. 10E Startguthaben
(4) A-Cover Gelb für NOKIA 6250 - ORIGINAL NOKIA - Lieferung incl.

Tastaturmatte

[...]

---

^[1] Carstensen, Kai-Uwe et al. (Hrsg.): Computerlinguistik und Sprachtechnologie. Eine Einführung. Spektrum Akademischer Verlag, Heidelberg 2001: S. 448.

^[2] http://www.sil.org/Linguistics/GlossaryOfLinguisticTerms/WhatIsARelator.htm [30.4.2006]