Wissensbasiertes Text-Mining mit SynDiKATe

Im Rahmen des SYNDIKATE-Systems werden authentische deutschsprachige Fachtexte aus zwei realen Anwendungsdomänen inhaltlich analysiert: Produktankündigungen und Testberichte über informationstechnische Produkte [9], die aus einer kleineren, mehrere Hundert Dokumente umfassenden Kollektion stammen, und medizinische Befundberichte des Freiburger Universitätsklinikums [10] mit einer aus 120.000 Dokumenten (ca. 107 Wörter) bestehenden Datenbasis. Im Unterschied zur Aufgabenstellung im Bereich der Informationsextraktion (zu einerÜbersichtsdarstellung, vgl. [4]) beschränkt sich die Aufgabe von SYNDIKATE nicht allein auf die Abbildung von sprachlichen Äußerungen in eine vorab bestimmte, vergleichsweise kleine Menge von frame-artigen Konzeptbeschreibungen (sog. Templates). Vielmehr gehen wir über diese Vorgaben in mehrfacher Hinsicht hinaus. Zum einen treffen wir keine a priori Aufteilung in ‘relevante’ und ‘irrelevante’ Templates, sondern operieren mit möglichst breit abdeckenden domänenspezifischen Wissensbasen, um flexibler auf sich ändernde Benutzerinteressen ohne Reanalyse reagieren zu können. Die Größenordnungen der beiden momentan (Anfang 2002) verfügbaren Wissensbasen belaufen sich für die IT-Domäne auf ca. 5.000, für die medizinische Anwendung auf ca. 240.000 Konzepte und Relationen [24]. Auch erfassen wir ein weiteres Spektrum an Wissensformen bei der Erzeugung von Instanzen schon verfügbarer Konzepte – neben Fakten (z.B.: „Der Rechner X kostet DM 6.800.’’) beispielsweise auch Bewertungen (z.B.: „Laptop X ist handlicher als Laptop Y.’’) [26]. Zum anderen erweitern wir die vorgegebene Menge von Konzeptbeschreibungen beim Textverstehen inkrementell, indem neue Konzepte zusammen mit assoziierten Fakten und Bewertungsdaten aus den Texten assimiliert werden. Die aus den Texten akquirierten Konzepte sind im IT-Bereich vor allem neu am Markt platzierte Produkte bzw. in der Medizinanwendung Patientenprofile. Wir konzentrieren uns in diesem Beitrag auf dieses eigentliche Text-Mining-Problem. Die Verschmelzung von Informationsextraktions-, Lernund Text-Mining-Funktionalität (vgl. a. [26], [7], [5]) ist eine konsequente Antwort auf die immensen Probleme bei der primär manuell betriebenen Wissensakquisition. Sie machen es letztlich unmöglich, wissensbasierte Systeme mit der für ihr Operieren eigentlich notwendigen Wissens-Infrastruktur komplett auszustatten. Die automatische Erweiterung des Domänenwissens wird umso mehr zum zentralen Forschungsproblem, wenn ein System – wie in unserem Fall – explizit auf die Erfassung neuen Wissens (etwa in Form von Produktneuheiten) ausgerichtet ist. 2 Eine Systemarchitektur für wissensbasiertes Text-Mining