SlideShare ist ein Scribd-Unternehmen logo
Universität zu Köln. Historisch-Kulturwissenschaftliche Informationsverarbeitung
Jan G. Wieners // jan.wieners@uni-koeln.de
Basisinformationstechnologie II
Sommersemester 2014
14. Mai 2014 – Text
Text: Aspekte
 Textklassifikation
 Natürliche bzw. unstrukturierte Texte
 Semistrukturierte Texte
 Strukturierte Texte
 Textstrukturierung: XML
 Ein XML-Standard: die Text Encoding Initiative
 Information Retrieval: Inhalte
auffinden, clustern, etc.
 Das VD18-Projekt
Themenüberblick
Textklassifikation
Bit SoSem 2014 | Basisinformationstechnologie I - 04: Text
Bit SoSem 2014 | Basisinformationstechnologie I - 04: Text
Bit SoSem 2014 | Basisinformationstechnologie I - 04: Text
Die Strukturiertheit von Texten:
(Text von lat. textus: Gewebe, Geflecht)
 Natürliche und unstrukturierte Texte
Beispiel: „Vor dieser Burleske frühkapitalistischen
Übereifers flohen die coolen Kinder der
Nachkriegsgeneration zu Beginn der achtziger Jahre in ein
reptilienartiges Singledasein mit minimalen Ausschlägen.“
(http://www.zeit.de/2012/01/L-Murakami)
 Strukturierte Texte
Beispiel: MySQL-DB, XML
 Semistrukturierte Texte
Beispiel: HTML  Was bezeichnet ein bestimmtes HTML-
Tag? Werden Standards in der Auszeichnung eingehalten?
Textklassifikation
Strukturiertheit
Strukturierte Texte I
MySQL-DB
Bit SoSem 2014 | Basisinformationstechnologie I - 04: Text
Strukturierte Texte II
Extensible Markup Language (XML)
 Standard Generalized Markup Language (SGML)
 Tags
 Attribute und Attributwerte
 Wohlgeformtheit von XML-Dokumenten
 Validität / Gültigkeit von XML-Dokumenten
 Schemata
 Transformation von XML-Dokumenten
Bit SoSem 2014 | Basisinformationstechnologie I - 04: Text
XSLT: Tiefensuche
Bit SoSem 2014 | Basisinformationstechnologie I - 04: Text
Einheitliches Strukturieren: Standards
Hugo von Hofmannsthal – Die Beiden
Sie trug den Becher in der Hand
– Ihr Kinn und Mund glich seinem Rand –,
So leicht und sicher war ihr Gang,
Kein Tropfen aus dem Becher sprang.
So leicht und fest war seine Hand:
Er ritt auf einem jungen Pferde,
Und mit nachlässiger Gebärde
Erzwang er, daß es zitternd stand.
Jedoch, wenn er aus ihrer Hand
Den leichten Becher nehmen sollte,
So war es beiden allzu schwer:
Denn beide bebten sie so sehr,
Daß keine Hand die andre fand
Und dunkler Wein am Boden rollte.
Hugo von Hofmannsthal – Die Beiden
Sie trug den Becher in der Hand
– Ihr Kinn und Mund glich seinem Rand –,
So leicht und sicher war ihr Gang,
Kein Tropfen aus dem Becher sprang.
So leicht und fest war seine Hand:
Er ritt auf einem jungen Pferde,
Und mit nachlässiger Gebärde
Erzwang er, daß es zitternd stand.
Jedoch, wenn er aus ihrer Hand
Den leichten Becher nehmen sollte,
So war es beiden allzu schwer:
Denn beide bebten sie so sehr,
Daß keine Hand die andre fand
Und dunkler Wein am Boden rollte.
Vers
Strophe
Ein Standard von dem man unbedingt ‘mal gehört haben muss:
Die Text Encoding Initiative (TEI)
Eine Lösung: TEI (Text Encoding Initiative)
 Fokus: Text
TEI bezeichnet sowohl
 das Konsortium (TEI-C),
 als auch einen Standard zur Kodierung und zum Austausch von
Textdokumenten
„TEI hat ein unabhängiges, portables und offenes Format [für die]
Speicherung, Austausch und Analyse von Texten in den
Geisteswissenschaften entwickelt. Das konkrete Resultat dieser
Arbeit sind sowohl Richtlinien für die Kodierung unterschiedlicher
Textsorten als auch das Textkodierungsformat selber.“
(http://www.onb.ac.at/sichtungen/print/bruvik-tm-1a-print.html)
 Richtlinien und Format sind frei zugänglich und kostenlos
Text Encoding Initiative (TEI)
Geschichte:
 1987 entstanden als internationale Initiative von
Philologinnen und Philologen
 Dokumentenformat zur Repräsentation von Texten in
digitaler Form
 Vielseitigkeit & Praxisnähe
Differenzierung: TEI bezeichnet sowohl
 das Konsortium (TEI-C), 2000 gegründet
 als auch Richtlinien und Empfehlungen zur Kodierung
und zum Austausch von Textdokumenten.
Intention: Geisteswissenschaftlerinnen und
Geisteswissenschaftler sollen über größtmögliche Freiheit
verfügen, textuell vorliegende Information nach eigenem
Textbegriff in XML zu codieren.
Text Encoding Initiative (TEI)
Versionsgeschichte
 1990: TEI P1 (P => Proposal, Entwurf / Plan)
Basiert auf SGML (Standard Generalized Markup
Language)
 1992 / 1993: TEI P2
 1994: TEI P3 ("Green Books")
 2002: TEI P4 (XML-basiert)
 2002: TEI Lite
 2007 TEI P5
Die Text Encoding Initiative
http://www.tei-c.org/release/doc/tei-p5-doc/en/Guidelines.pdf (1646 Seiten)
Modularisierung
 Flexible Auswahl von TEI-Elementen aufgrund des
modularen Charakters der TEI. So muss ein eigenes
Schema nicht alle Elemente und Attribute der TEI
enthalten.
 Module, u.a.:
 core für Basiselemente
 header für Metadaten
 textstructure für grundlegende Textstrukturen
 drama für Dramen
 prose, poetry, etc.
Die Text Encoding Initiative
Verortung:
EAD: Encoded Archival Description
METS: Metadata Encoding and Transmission Standard
Arten von Metadaten:
 Administrative metadata for managing resources, such as
rights information
 Descriptive metadata for describing resources (Beispiel:
Zettel des Zettelkataloges)
 Preservation metadata for describing resources, such as
recording preservation actions
 Technical metadata related to low-level system
information, such as data formats and any data compression
used
 Usage metadata related to system use, such as tracking
user behavior
 “End user‟s view is only the tip of the iceberg:
Much of the metadata is not intended for public display”
Metadaten
“End user‟s view is only the tip of the
iceberg: Much of the metadata is not
intended for public display”
Arten von Metadaten(vgl. Witten, Bainbridge, Nichols (2010): How to Build a Digital Library):
 Administrative metadata for managing resources, such as
rights information
 Descriptive metadata for describing resources (Beispiel:
Zettel des Zettelkataloges)
 Preservation metadata for describing resources, such as
recording preservation actions
 Technical metadata related to low-level system
information, such as data formats and any data compression
used
 Usage metadata related to system use, such as tracking
user behavior
 “End user‟s view is only the tip of the iceberg:
Much of the metadata is not intended for public display”
Metadaten in digitalen Bibliotheken
MARC: MAchine Readable Cataloging
 Vorgestellt in den späten 1960er Jahren von Henriette Avram
(Library of Congress)
 !Grundproblem/-intention: Migration von Zettelkatalogen zu
computerbasierter Repräsentation von Datensätzen (Records)
 MARC-Datensätze gespeichert als Sammlung von Feldern in
einem „ziemlich komplexen Format“
[Witten, Bainbridge, Nichols (2010): How to Build a Digital Library]
 “Producing a MARC record for a particular publication is an
onerous undertaking that is governed by a detailed set of (highly
detailed) rules and guidelines called the Anglo-American
Cataloging Rules (AACR2R, 2R  final revised 2nd edition).”
[Witten, Bainbridge, Nichols (2010): How to Build a Digital Library]
MARC
Maschinelles Austauschformat für Bibliotheken
(MAB),
 MAB  1970er, Deutsche Nationalbibliothek
 MAB2  1990er
 Verwendung mit RAK (Regeln zur Alphabetischen Katalogisierung)
MAB
 Variable Control Fields (00x)
 Variable Data Fields
 Numbers and Codes (0xx)
 Main Entries (1xx)
 Titles (2xx)
 Edition, Imprint, etc. (2xx)
 Physical Description, etc. (3xx)
 Series Statements (4xx)
 Notes (5xx)
 […]
 Vgl. http://catalog2.loc.gov
sowie die Referenz unter
http://www.loc.gov/marc/bibliographic/ecbdhome.html
MARC Tags (die Spitze des Eisbergs)
MARCXML-Darstellung
MARCXML
Vorteile?
MARCXML  Dublin Core
http://lccn.loc.gov/79459272/dc
 Benannt nach Dublin, Ohio, wo 1995 das erste
Treffen der Gruppe / Initiative veranstaltet wurde.
 Dublin Core (DC): Satz von vordefinierten
Metadatenelementen, intendiert für
 Nutzung durch Nicht-Spezialisten
 die Beschreibung digitaler Ressourcen (i.e. Websites),
die häufig keinen eigenen MARC Katalog-Eintrag
erhalten würden
 Verglichen mit MARC: Sehr einfach
 Designziel: Allgemeinheit, Einfachheit
Dublin Core
Satz von 15 Elementen zur Beschreibung von Ressourcen:
 Title
 Creator
 Subject
 Description
 Publisher
 Contributor
 Date
 Type
 Format
 Identifier
 Source
 Language
 Relation
 Coverage
 Rights
 Alle Elemente sind optional und wiederholbar, die Reihenfolge ist
beliebig
Dublin Core
Fokus: Unstrukturierte und
schwach strukturierte Texte
Buzzwords: Text Mining, Data Mining, Information
Retrieval, Machinelles Lernen, Textklassifikation, Web
Mining
 Data Mining: Einsatz auf stark strukturierten Daten
 Text Mining: Informationsextraktion aus (u.a.
semistrukturierten) Texten; Verwendung von Verfahren
/ Algorithmen des Data Minings
 Automatisierte Strukturierung von Texten (insbes.
sehr großen Mengen von Texten)
 Information Retrieval: Suchanfragen an einen
Textcorpus  Wie finde ich die von mir gesuchte
Information?
Arbeit mit Text: Methodenverortung
Die Sache mit der
Bedeutung...
Bit SoSem 2014 | Basisinformationstechnologie I - 04: Text
Quelle: http://www.wzl.rwth-aachen.de/de/ebecb2e7d199a686c125736f00454c10/11_v_deu.pdf

Tf-idf-Maß

Tf-idf-Maß

Tf-idf-Maß

Tf-idf-Maß

Tf-idf-Maß
Suche: Inhalte auffinden
Bit SoSem 2014 | Basisinformationstechnologie I - 04: Text
Bit SoSem 2014 | Basisinformationstechnologie I - 04: Text
It„s magic?
…oh no, it„s „just“ the work of…algorithms
(hm, and maybe a little bit of magic)
Ein Praxisbeispiel: Das VD18 Projekt
Intention: Digitalisierung und Erschließung der im
deutschen Sprachraum veröffentlichten Drucke des
18. Jahrhunderts
Kontext
VD18
VD 16 VD 17 VD 18
~100 000 erfasste
Titel
~255 000
Titel
Ziel: Mehr als
600 000 Titel
Förderzeitraum: 1969-
1999
Förderzeitraum:
Seit Juli 1996
Förderzeitraum:
Ab 2009
Ein Praxisbeispiel: Das VD18 Projekt
 Förderzeitraum Pilotphase: 2009-2011
 Aufgaben Bibliotheken:
◦ Digitalisierung  http://digitale.bibliothek.uni-
halle.de/vd18
 Aufgaben HKI, Köln:
In der sehr großen Datenbank (kleio) mit mehr als
~1 Million Titeln:
◦ Einzigartige, im Fundus nur einmal vorhandene, Werke
identifizieren
◦ Sets von gleichen Werken ausfindigmachen
VD18 – Arbeitsaufteilung / Workflow
SWB
KoordinierungsDB
Bit SoSem 2014 | Basisinformationstechnologie I - 04: Text
Bit SoSem 2014 | Basisinformationstechnologie I - 04: Text

IDF – Beispiel:
„Griechische Anthologie – aus den besten Dichtern gesammlet, nach
den Dichtungsarten geordnet und mit literarischen Notizen begleitet;
für Gymnasien und Akademien“
(2) Gewichtung der Suchphrase bestimmen, i.e.:
„Griechische Anthologie – aus den besten Dichtern gesammlet, nach
den Dichtungsarten geordnet und mit literarischen Notizen begleitet;
für Gymnasien und Akademien“
 Summe der Gewichtungen relevanter Suchterme, die die
Suchphrase charakterisieren
Gewichtung
(3) Wie herausfinden, dass der Titel
„Griechische Anthologie – aus den besten Dichtern gesammlet, nach
den Dichtungsarten geordnet und mit literarischen Notizen begleitet;
für Gymnasien und Akademien“
gleich bzw. sehr ähnlich ist zu dem deutlich
kürzeren Titel „Griechische Anthologie“ ?
 Eine Möglichkeit: Abbildung in einem n-dimensionalen Vektorraum
Vektorraum
(4) Komplexität verringern, retrieval erhöhen:
n-dimensions  1-dimension
Vektorraum

Ähnlichkeitsmaß
(6) Cluster ähnlicher Titel generieren:
◦ Cluster I: Titel mit Gewichtung = 22.040516
 Dissertatio jvridica inavgvralis de jvre consvetvdinario
 Dissertatio Juridica Inauguralis De Jure Consuetudinario
 […]
◦ Cluster II: Titel mit Gewichtung = 14.525173
 <ns>Diss. iur. inaug.</ns> de iure consuetudinario
 Dissertatio iuris Germanici de iure consuetudinario universali
Germaniae Medii Aevi in speculis Saxonico et Suevico, eiusque
cognoscendi ratione
(7) MAB Einträge (Author Name, Place of Printing, etc.)
unscharf (fuzzy) vergleichen
◦ Partial String Comparison
◦ Levenshtein Distance / Edit Distance
◦ …
Cluster
„Tatort“-Folge „Er wird töten“ (09.06.2013)
Bit SoSem 2014 | Basisinformationstechnologie I - 04: Text
Bit SoSem 2014 | Basisinformationstechnologie I - 04: Text
Hihi! 
Bit SoSem 2014 | Basisinformationstechnologie I - 04: Text
Bit SoSem 2014 | Basisinformationstechnologie I - 04: Text
Levenshtein-Distanz, oder auch „Edit-Distance“:
 Geringste Anzahl der Bearbeitungsschritte, um
eine Zeichenkette in eine andere Zeichenkette zu
transformieren.
Vorgestellt in Levenshtein, Vladimir I.: Binary codes capable of correcting deletions, insertions, and reversals. Soviet
Physics Doklady, Vol. 10, No. 8. (1966), pp. 707-710.
 Beispiel: „kleyer“ vs. „meyer“
◦ Levenshtein-Distanz zwischen den beiden Zeichenketten
beträgt zwei: Um „kleyer“ in „meyer“ umzuformen, muss
das zweite Zeichen der Zeichenkette „kleyer“ gelöscht
(„kleyer“  „keyer“) und das erste Zeichen in den
Buchstaben „m“ geändert werden („keyer“  „meyer“).
Levenshtein-Distanz
Trefferquote (recall) und Genauigkeit (precision):
 Recall: Liefert die Suchanfrage ein relevantes
Ergebnis?
 Precision: Ist der gefundene / zurückgelieferte
Treffer für die Suchanfrage relevant?
Bewertung der Suchergebnisse
/

Weitere ähnliche Inhalte

Andere mochten auch

Encuentro nacional de Huertos y AU incluye Celebración Septuagésimo Octavo An...
Encuentro nacional de Huertos y AU incluye Celebración Septuagésimo Octavo An...Encuentro nacional de Huertos y AU incluye Celebración Septuagésimo Octavo An...
Encuentro nacional de Huertos y AU incluye Celebración Septuagésimo Octavo An...
asalinasc
 
2012 julio 14 21 estudio de david
2012 julio 14 21 estudio de david2012 julio 14 21 estudio de david
2012 julio 14 21 estudio de david
Felipe Maldonado
 
Acheter au meilleur prix Batterie outil électroportatif hitachi
Acheter au meilleur prix Batterie outil électroportatif hitachiAcheter au meilleur prix Batterie outil électroportatif hitachi
Acheter au meilleur prix Batterie outil électroportatif hitachi
shuming
 
Wirtschafts folien juni_2012_stand_02072012
Wirtschafts folien juni_2012_stand_02072012Wirtschafts folien juni_2012_stand_02072012
Wirtschafts folien juni_2012_stand_02072012
Werner Drizhal
 
A-Recruiter Tage 2013: Vortrag "Headhunting für Azubis" (Herr Bourdick)
A-Recruiter Tage 2013: Vortrag "Headhunting für Azubis" (Herr Bourdick)A-Recruiter Tage 2013: Vortrag "Headhunting für Azubis" (Herr Bourdick)
A-Recruiter Tage 2013: Vortrag "Headhunting für Azubis" (Herr Bourdick)
U-Form:e Testsysteme
 
Malformaciones broncopulmonares
Malformaciones broncopulmonaresMalformaciones broncopulmonares
Malformaciones broncopulmonares
jvallejoherrador
 
2013 - M-Commerce - in der Schweiz - Jetzt oder nie!
2013 - M-Commerce - in der Schweiz - Jetzt oder nie!2013 - M-Commerce - in der Schweiz - Jetzt oder nie!
2013 - M-Commerce - in der Schweiz - Jetzt oder nie!
Johannes Waibel
 
Familienfreund für (Wohnungs)vermieter
Familienfreund für (Wohnungs)vermieterFamilienfreund für (Wohnungs)vermieter
Familienfreund für (Wohnungs)vermieter
Thomas Kujawa
 
DaF Blog Präsentation
DaF Blog PräsentationDaF Blog Präsentation
DaF Blog Präsentation
Eva Birger
 
Taiwan für Deutsche: Was ich wichtig finde
Taiwan für Deutsche: Was ich wichtig findeTaiwan für Deutsche: Was ich wichtig finde
Taiwan für Deutsche: Was ich wichtig finde
Klaus Bardenhagen
 
Wo Oder Wohin
Wo Oder WohinWo Oder Wohin
Wo Oder Wohin
torip
 

Andere mochten auch (14)

Encuentro nacional de Huertos y AU incluye Celebración Septuagésimo Octavo An...
Encuentro nacional de Huertos y AU incluye Celebración Septuagésimo Octavo An...Encuentro nacional de Huertos y AU incluye Celebración Septuagésimo Octavo An...
Encuentro nacional de Huertos y AU incluye Celebración Septuagésimo Octavo An...
 
2012 julio 14 21 estudio de david
2012 julio 14 21 estudio de david2012 julio 14 21 estudio de david
2012 julio 14 21 estudio de david
 
Acheter au meilleur prix Batterie outil électroportatif hitachi
Acheter au meilleur prix Batterie outil électroportatif hitachiAcheter au meilleur prix Batterie outil électroportatif hitachi
Acheter au meilleur prix Batterie outil électroportatif hitachi
 
Wirtschafts folien juni_2012_stand_02072012
Wirtschafts folien juni_2012_stand_02072012Wirtschafts folien juni_2012_stand_02072012
Wirtschafts folien juni_2012_stand_02072012
 
A-Recruiter Tage 2013: Vortrag "Headhunting für Azubis" (Herr Bourdick)
A-Recruiter Tage 2013: Vortrag "Headhunting für Azubis" (Herr Bourdick)A-Recruiter Tage 2013: Vortrag "Headhunting für Azubis" (Herr Bourdick)
A-Recruiter Tage 2013: Vortrag "Headhunting für Azubis" (Herr Bourdick)
 
Unseenfix
UnseenfixUnseenfix
Unseenfix
 
Malformaciones broncopulmonares
Malformaciones broncopulmonaresMalformaciones broncopulmonares
Malformaciones broncopulmonares
 
Lut De Bruyne
Lut De BruyneLut De Bruyne
Lut De Bruyne
 
2013 - M-Commerce - in der Schweiz - Jetzt oder nie!
2013 - M-Commerce - in der Schweiz - Jetzt oder nie!2013 - M-Commerce - in der Schweiz - Jetzt oder nie!
2013 - M-Commerce - in der Schweiz - Jetzt oder nie!
 
Familienfreund für (Wohnungs)vermieter
Familienfreund für (Wohnungs)vermieterFamilienfreund für (Wohnungs)vermieter
Familienfreund für (Wohnungs)vermieter
 
Ttg kooperationen kl-v01 (1)
Ttg kooperationen kl-v01 (1)Ttg kooperationen kl-v01 (1)
Ttg kooperationen kl-v01 (1)
 
DaF Blog Präsentation
DaF Blog PräsentationDaF Blog Präsentation
DaF Blog Präsentation
 
Taiwan für Deutsche: Was ich wichtig finde
Taiwan für Deutsche: Was ich wichtig findeTaiwan für Deutsche: Was ich wichtig finde
Taiwan für Deutsche: Was ich wichtig finde
 
Wo Oder Wohin
Wo Oder WohinWo Oder Wohin
Wo Oder Wohin
 

Ähnlich wie Bit SoSem 2014 | Basisinformationstechnologie I - 04: Text

Semantic Web und Linked Open Data. Eine Bibliothekarische Geschichte
Semantic Web und Linked Open Data. Eine Bibliothekarische GeschichteSemantic Web und Linked Open Data. Eine Bibliothekarische Geschichte
Semantic Web und Linked Open Data. Eine Bibliothekarische Geschichte
Jakob .
 
Microformats & COinS
Microformats & COinSMicroformats & COinS
Microformats & COinS
Christian Hauschke
 
BIT I SoSem 2015 | Basisinformationstechnologie II - 03_Semantic Web
BIT I SoSem 2015 | Basisinformationstechnologie II - 03_Semantic WebBIT I SoSem 2015 | Basisinformationstechnologie II - 03_Semantic Web
BIT I SoSem 2015 | Basisinformationstechnologie II - 03_Semantic Web
Institute for Digital Humanities, University of Cologne
 
Einführung in die Literaturverwaltung
Einführung in die LiteraturverwaltungEinführung in die Literaturverwaltung
Einführung in die Literaturverwaltung
TIB Hannover
 
Literaturverwaltungssysteme im Überblick
Literaturverwaltungssysteme im ÜberblickLiteraturverwaltungssysteme im Überblick
Literaturverwaltungssysteme im Überblick
Peter Mayr
 
20120608_Thematische Vernetzung heterogener Informationsbestände
20120608_Thematische Vernetzung heterogener Informationsbestände20120608_Thematische Vernetzung heterogener Informationsbestände
20120608_Thematische Vernetzung heterogener Informationsbestände
datentaste
 
HS Soziologie des Internet
HS Soziologie des InternetHS Soziologie des Internet
HS Soziologie des Internet
Tina Guenther
 
20100913 dokumente dekonstruieren
20100913 dokumente dekonstruieren20100913 dokumente dekonstruieren
20100913 dokumente dekonstruieren
Stefan Gradmann
 
"Literaturverwaltungssysteme im Überblick" 2010er Version
"Literaturverwaltungssysteme im Überblick" 2010er Version"Literaturverwaltungssysteme im Überblick" 2010er Version
"Literaturverwaltungssysteme im Überblick" 2010er Version
Peter Mayr
 
Literaturverwaltungssysteme im Überblick
Literaturverwaltungssysteme im ÜberblickLiteraturverwaltungssysteme im Überblick
Literaturverwaltungssysteme im Überblick
Peter Mayr
 
Strukturierte Metadaten in Wikipedia
Strukturierte Metadaten in WikipediaStrukturierte Metadaten in Wikipedia
Strukturierte Metadaten in Wikipedia
Jakob .
 
Linked Library Data & RDA
Linked Library Data & RDALinked Library Data & RDA
Linked Library Data & RDA
Alexander Haffner
 
Literaturverwaltungssysteme im Überblick (2012)
Literaturverwaltungssysteme im Überblick (2012)Literaturverwaltungssysteme im Überblick (2012)
Literaturverwaltungssysteme im Überblick (2012)
Peter Mayr
 
Goobi für alle(s).
Goobi für alle(s).Goobi für alle(s).
Goobi für alle(s).
goobi_org
 
AMSL Kick-off-Meeting sächsischer Hochschulbibliotheken
AMSL Kick-off-Meeting sächsischer HochschulbibliothekenAMSL Kick-off-Meeting sächsischer Hochschulbibliotheken
AMSL Kick-off-Meeting sächsischer Hochschulbibliotheken
Björn Muschall
 

Ähnlich wie Bit SoSem 2014 | Basisinformationstechnologie I - 04: Text (20)

SoSe 2013 | Basisinformationstechnologie II - 06_Text
SoSe 2013 | Basisinformationstechnologie II - 06_TextSoSe 2013 | Basisinformationstechnologie II - 06_Text
SoSe 2013 | Basisinformationstechnologie II - 06_Text
 
Semantic Web und Linked Open Data. Eine Bibliothekarische Geschichte
Semantic Web und Linked Open Data. Eine Bibliothekarische GeschichteSemantic Web und Linked Open Data. Eine Bibliothekarische Geschichte
Semantic Web und Linked Open Data. Eine Bibliothekarische Geschichte
 
WiSe 2013 | IT-Zertifikat: AMM - Die Text Encoding Initiative (TEI)
WiSe 2013 | IT-Zertifikat: AMM - Die Text Encoding Initiative (TEI)WiSe 2013 | IT-Zertifikat: AMM - Die Text Encoding Initiative (TEI)
WiSe 2013 | IT-Zertifikat: AMM - Die Text Encoding Initiative (TEI)
 
SoSe 2013 | IT-Zertifikat: AMM - Klausurvorbereitung
 SoSe 2013 | IT-Zertifikat: AMM - Klausurvorbereitung SoSe 2013 | IT-Zertifikat: AMM - Klausurvorbereitung
SoSe 2013 | IT-Zertifikat: AMM - Klausurvorbereitung
 
Microformats & COinS
Microformats & COinSMicroformats & COinS
Microformats & COinS
 
BIT I SoSem 2015 | Basisinformationstechnologie II - 03_Semantic Web
BIT I SoSem 2015 | Basisinformationstechnologie II - 03_Semantic WebBIT I SoSem 2015 | Basisinformationstechnologie II - 03_Semantic Web
BIT I SoSem 2015 | Basisinformationstechnologie II - 03_Semantic Web
 
Einführung in die Literaturverwaltung
Einführung in die LiteraturverwaltungEinführung in die Literaturverwaltung
Einführung in die Literaturverwaltung
 
SoSe 2013 | IT-Zertifikat: DM - Die Text Encoding Initiative (TEI)
SoSe 2013 | IT-Zertifikat: DM - Die Text Encoding Initiative (TEI)SoSe 2013 | IT-Zertifikat: DM - Die Text Encoding Initiative (TEI)
SoSe 2013 | IT-Zertifikat: DM - Die Text Encoding Initiative (TEI)
 
Literaturverwaltungssysteme im Überblick
Literaturverwaltungssysteme im ÜberblickLiteraturverwaltungssysteme im Überblick
Literaturverwaltungssysteme im Überblick
 
20120608_Thematische Vernetzung heterogener Informationsbestände
20120608_Thematische Vernetzung heterogener Informationsbestände20120608_Thematische Vernetzung heterogener Informationsbestände
20120608_Thematische Vernetzung heterogener Informationsbestände
 
HS Soziologie des Internet
HS Soziologie des InternetHS Soziologie des Internet
HS Soziologie des Internet
 
20100913 dokumente dekonstruieren
20100913 dokumente dekonstruieren20100913 dokumente dekonstruieren
20100913 dokumente dekonstruieren
 
"Literaturverwaltungssysteme im Überblick" 2010er Version
"Literaturverwaltungssysteme im Überblick" 2010er Version"Literaturverwaltungssysteme im Überblick" 2010er Version
"Literaturverwaltungssysteme im Überblick" 2010er Version
 
Literaturverwaltungssysteme im Überblick
Literaturverwaltungssysteme im ÜberblickLiteraturverwaltungssysteme im Überblick
Literaturverwaltungssysteme im Überblick
 
Strukturierte Metadaten in Wikipedia
Strukturierte Metadaten in WikipediaStrukturierte Metadaten in Wikipedia
Strukturierte Metadaten in Wikipedia
 
BIT SoSem 2014 | Basisinformationstechnologie II - 03: Semantic Web
BIT SoSem 2014 | Basisinformationstechnologie II - 03: Semantic WebBIT SoSem 2014 | Basisinformationstechnologie II - 03: Semantic Web
BIT SoSem 2014 | Basisinformationstechnologie II - 03: Semantic Web
 
Linked Library Data & RDA
Linked Library Data & RDALinked Library Data & RDA
Linked Library Data & RDA
 
Literaturverwaltungssysteme im Überblick (2012)
Literaturverwaltungssysteme im Überblick (2012)Literaturverwaltungssysteme im Überblick (2012)
Literaturverwaltungssysteme im Überblick (2012)
 
Goobi für alle(s).
Goobi für alle(s).Goobi für alle(s).
Goobi für alle(s).
 
AMSL Kick-off-Meeting sächsischer Hochschulbibliotheken
AMSL Kick-off-Meeting sächsischer HochschulbibliothekenAMSL Kick-off-Meeting sächsischer Hochschulbibliotheken
AMSL Kick-off-Meeting sächsischer Hochschulbibliotheken
 

Mehr von Institute for Digital Humanities, University of Cologne

Künstliche Intelligenz und visuelle Erzählungen: Comicanalyse | 17.04.2019 | ...
Künstliche Intelligenz und visuelle Erzählungen: Comicanalyse | 17.04.2019 | ...Künstliche Intelligenz und visuelle Erzählungen: Comicanalyse | 17.04.2019 | ...
Künstliche Intelligenz und visuelle Erzählungen: Comicanalyse | 17.04.2019 | ...
Institute for Digital Humanities, University of Cologne
 
Augmented City –Street Art, Embodiment, Cultural Heritage & AR | 03.04.2019 |...
Augmented City –Street Art, Embodiment, Cultural Heritage & AR | 03.04.2019 |...Augmented City –Street Art, Embodiment, Cultural Heritage & AR | 03.04.2019 |...
Augmented City –Street Art, Embodiment, Cultural Heritage & AR | 03.04.2019 |...
Institute for Digital Humanities, University of Cologne
 
Künstliche Intelligenz und visuelle Erzählungen: Comicanalyse | 03.04.2019 | ...
Künstliche Intelligenz und visuelle Erzählungen: Comicanalyse | 03.04.2019 | ...Künstliche Intelligenz und visuelle Erzählungen: Comicanalyse | 03.04.2019 | ...
Künstliche Intelligenz und visuelle Erzählungen: Comicanalyse | 03.04.2019 | ...
Institute for Digital Humanities, University of Cologne
 
Transformation mittelhochdeutscher Erfahrungswelten – vom Text zum Computerga...
Transformation mittelhochdeutscher Erfahrungswelten – vom Text zum Computerga...Transformation mittelhochdeutscher Erfahrungswelten – vom Text zum Computerga...
Transformation mittelhochdeutscher Erfahrungswelten – vom Text zum Computerga...
Institute for Digital Humanities, University of Cologne
 
Transformation mittelhochdeutscher Erfahrungswelten – vom Text zum Computerga...
Transformation mittelhochdeutscher Erfahrungswelten – vom Text zum Computerga...Transformation mittelhochdeutscher Erfahrungswelten – vom Text zum Computerga...
Transformation mittelhochdeutscher Erfahrungswelten – vom Text zum Computerga...
Institute for Digital Humanities, University of Cologne
 
Bit sosem 2016-wieners-sitzung-13_ki-in-games
Bit sosem 2016-wieners-sitzung-13_ki-in-gamesBit sosem 2016-wieners-sitzung-13_ki-in-games
Bit sosem 2016-wieners-sitzung-13_ki-in-games
Institute for Digital Humanities, University of Cologne
 
Bit sosem 2016-wieners-sitzung-12_bild-iv-computer-vision
Bit sosem 2016-wieners-sitzung-12_bild-iv-computer-visionBit sosem 2016-wieners-sitzung-12_bild-iv-computer-vision
Bit sosem 2016-wieners-sitzung-12_bild-iv-computer-vision
Institute for Digital Humanities, University of Cologne
 
Bit sosem 2016-wieners-sitzung-11_bild-iii-filter
Bit sosem 2016-wieners-sitzung-11_bild-iii-filterBit sosem 2016-wieners-sitzung-11_bild-iii-filter
Bit sosem 2016-wieners-sitzung-11_bild-iii-filter
Institute for Digital Humanities, University of Cologne
 
Bit sosem 2016-wieners-sitzung-10_bild-ii-punktoperationen
Bit sosem 2016-wieners-sitzung-10_bild-ii-punktoperationenBit sosem 2016-wieners-sitzung-10_bild-ii-punktoperationen
Bit sosem 2016-wieners-sitzung-10_bild-ii-punktoperationen
Institute for Digital Humanities, University of Cologne
 
Bit sosem 2016-wieners-sitzung-09_bild-i-kompression
Bit sosem 2016-wieners-sitzung-09_bild-i-kompressionBit sosem 2016-wieners-sitzung-09_bild-i-kompression
Bit sosem 2016-wieners-sitzung-09_bild-i-kompression
Institute for Digital Humanities, University of Cologne
 
Bit sosem 2016-wieners-sitzung-08_semantic-web
Bit sosem 2016-wieners-sitzung-08_semantic-webBit sosem 2016-wieners-sitzung-08_semantic-web
Bit sosem 2016-wieners-sitzung-08_semantic-web
Institute for Digital Humanities, University of Cologne
 
Bit sosem 2016-wieners-sitzung-07_rechnerkommunikation-ii
Bit sosem 2016-wieners-sitzung-07_rechnerkommunikation-iiBit sosem 2016-wieners-sitzung-07_rechnerkommunikation-ii
Bit sosem 2016-wieners-sitzung-07_rechnerkommunikation-ii
Institute for Digital Humanities, University of Cologne
 
Bit sosem 2016-wieners-sitzung-06_rechnerkommunikation
Bit sosem 2016-wieners-sitzung-06_rechnerkommunikationBit sosem 2016-wieners-sitzung-06_rechnerkommunikation
Bit sosem 2016-wieners-sitzung-06_rechnerkommunikation
Institute for Digital Humanities, University of Cologne
 
Bit sosem 2016-wieners-sitzung-05_zellulaere-automaten-conway
Bit sosem 2016-wieners-sitzung-05_zellulaere-automaten-conwayBit sosem 2016-wieners-sitzung-05_zellulaere-automaten-conway
Bit sosem 2016-wieners-sitzung-05_zellulaere-automaten-conway
Institute for Digital Humanities, University of Cologne
 
Bit sosem 2016-wieners-sitzung-04_theoretische-informatik
Bit sosem 2016-wieners-sitzung-04_theoretische-informatikBit sosem 2016-wieners-sitzung-04_theoretische-informatik
Bit sosem 2016-wieners-sitzung-04_theoretische-informatik
Institute for Digital Humanities, University of Cologne
 
Bit sosem 2016-wieners-sitzung-03_algorithmen
Bit sosem 2016-wieners-sitzung-03_algorithmenBit sosem 2016-wieners-sitzung-03_algorithmen
Bit sosem 2016-wieners-sitzung-03_algorithmen
Institute for Digital Humanities, University of Cologne
 
Bit sosem 2016-wieners-sitzung-02_datenstrukturen
Bit sosem 2016-wieners-sitzung-02_datenstrukturenBit sosem 2016-wieners-sitzung-02_datenstrukturen
Bit sosem 2016-wieners-sitzung-02_datenstrukturen
Institute for Digital Humanities, University of Cologne
 
Bit sosem 2016-wieners-sitzung-01_auffrischung
Bit sosem 2016-wieners-sitzung-01_auffrischungBit sosem 2016-wieners-sitzung-01_auffrischung
Bit sosem 2016-wieners-sitzung-01_auffrischung
Institute for Digital Humanities, University of Cologne
 
Bit sosem 2016-wieners-sitzung-00_themenueberblick
Bit sosem 2016-wieners-sitzung-00_themenueberblickBit sosem 2016-wieners-sitzung-00_themenueberblick
Bit sosem 2016-wieners-sitzung-00_themenueberblick
Institute for Digital Humanities, University of Cologne
 
Bit wisem 2015-wieners-sitzung-13_Zusammenfassung II
Bit wisem 2015-wieners-sitzung-13_Zusammenfassung IIBit wisem 2015-wieners-sitzung-13_Zusammenfassung II
Bit wisem 2015-wieners-sitzung-13_Zusammenfassung II
Institute for Digital Humanities, University of Cologne
 

Mehr von Institute for Digital Humanities, University of Cologne (20)

Künstliche Intelligenz und visuelle Erzählungen: Comicanalyse | 17.04.2019 | ...
Künstliche Intelligenz und visuelle Erzählungen: Comicanalyse | 17.04.2019 | ...Künstliche Intelligenz und visuelle Erzählungen: Comicanalyse | 17.04.2019 | ...
Künstliche Intelligenz und visuelle Erzählungen: Comicanalyse | 17.04.2019 | ...
 
Augmented City –Street Art, Embodiment, Cultural Heritage & AR | 03.04.2019 |...
Augmented City –Street Art, Embodiment, Cultural Heritage & AR | 03.04.2019 |...Augmented City –Street Art, Embodiment, Cultural Heritage & AR | 03.04.2019 |...
Augmented City –Street Art, Embodiment, Cultural Heritage & AR | 03.04.2019 |...
 
Künstliche Intelligenz und visuelle Erzählungen: Comicanalyse | 03.04.2019 | ...
Künstliche Intelligenz und visuelle Erzählungen: Comicanalyse | 03.04.2019 | ...Künstliche Intelligenz und visuelle Erzählungen: Comicanalyse | 03.04.2019 | ...
Künstliche Intelligenz und visuelle Erzählungen: Comicanalyse | 03.04.2019 | ...
 
Transformation mittelhochdeutscher Erfahrungswelten – vom Text zum Computerga...
Transformation mittelhochdeutscher Erfahrungswelten – vom Text zum Computerga...Transformation mittelhochdeutscher Erfahrungswelten – vom Text zum Computerga...
Transformation mittelhochdeutscher Erfahrungswelten – vom Text zum Computerga...
 
Transformation mittelhochdeutscher Erfahrungswelten – vom Text zum Computerga...
Transformation mittelhochdeutscher Erfahrungswelten – vom Text zum Computerga...Transformation mittelhochdeutscher Erfahrungswelten – vom Text zum Computerga...
Transformation mittelhochdeutscher Erfahrungswelten – vom Text zum Computerga...
 
Bit sosem 2016-wieners-sitzung-13_ki-in-games
Bit sosem 2016-wieners-sitzung-13_ki-in-gamesBit sosem 2016-wieners-sitzung-13_ki-in-games
Bit sosem 2016-wieners-sitzung-13_ki-in-games
 
Bit sosem 2016-wieners-sitzung-12_bild-iv-computer-vision
Bit sosem 2016-wieners-sitzung-12_bild-iv-computer-visionBit sosem 2016-wieners-sitzung-12_bild-iv-computer-vision
Bit sosem 2016-wieners-sitzung-12_bild-iv-computer-vision
 
Bit sosem 2016-wieners-sitzung-11_bild-iii-filter
Bit sosem 2016-wieners-sitzung-11_bild-iii-filterBit sosem 2016-wieners-sitzung-11_bild-iii-filter
Bit sosem 2016-wieners-sitzung-11_bild-iii-filter
 
Bit sosem 2016-wieners-sitzung-10_bild-ii-punktoperationen
Bit sosem 2016-wieners-sitzung-10_bild-ii-punktoperationenBit sosem 2016-wieners-sitzung-10_bild-ii-punktoperationen
Bit sosem 2016-wieners-sitzung-10_bild-ii-punktoperationen
 
Bit sosem 2016-wieners-sitzung-09_bild-i-kompression
Bit sosem 2016-wieners-sitzung-09_bild-i-kompressionBit sosem 2016-wieners-sitzung-09_bild-i-kompression
Bit sosem 2016-wieners-sitzung-09_bild-i-kompression
 
Bit sosem 2016-wieners-sitzung-08_semantic-web
Bit sosem 2016-wieners-sitzung-08_semantic-webBit sosem 2016-wieners-sitzung-08_semantic-web
Bit sosem 2016-wieners-sitzung-08_semantic-web
 
Bit sosem 2016-wieners-sitzung-07_rechnerkommunikation-ii
Bit sosem 2016-wieners-sitzung-07_rechnerkommunikation-iiBit sosem 2016-wieners-sitzung-07_rechnerkommunikation-ii
Bit sosem 2016-wieners-sitzung-07_rechnerkommunikation-ii
 
Bit sosem 2016-wieners-sitzung-06_rechnerkommunikation
Bit sosem 2016-wieners-sitzung-06_rechnerkommunikationBit sosem 2016-wieners-sitzung-06_rechnerkommunikation
Bit sosem 2016-wieners-sitzung-06_rechnerkommunikation
 
Bit sosem 2016-wieners-sitzung-05_zellulaere-automaten-conway
Bit sosem 2016-wieners-sitzung-05_zellulaere-automaten-conwayBit sosem 2016-wieners-sitzung-05_zellulaere-automaten-conway
Bit sosem 2016-wieners-sitzung-05_zellulaere-automaten-conway
 
Bit sosem 2016-wieners-sitzung-04_theoretische-informatik
Bit sosem 2016-wieners-sitzung-04_theoretische-informatikBit sosem 2016-wieners-sitzung-04_theoretische-informatik
Bit sosem 2016-wieners-sitzung-04_theoretische-informatik
 
Bit sosem 2016-wieners-sitzung-03_algorithmen
Bit sosem 2016-wieners-sitzung-03_algorithmenBit sosem 2016-wieners-sitzung-03_algorithmen
Bit sosem 2016-wieners-sitzung-03_algorithmen
 
Bit sosem 2016-wieners-sitzung-02_datenstrukturen
Bit sosem 2016-wieners-sitzung-02_datenstrukturenBit sosem 2016-wieners-sitzung-02_datenstrukturen
Bit sosem 2016-wieners-sitzung-02_datenstrukturen
 
Bit sosem 2016-wieners-sitzung-01_auffrischung
Bit sosem 2016-wieners-sitzung-01_auffrischungBit sosem 2016-wieners-sitzung-01_auffrischung
Bit sosem 2016-wieners-sitzung-01_auffrischung
 
Bit sosem 2016-wieners-sitzung-00_themenueberblick
Bit sosem 2016-wieners-sitzung-00_themenueberblickBit sosem 2016-wieners-sitzung-00_themenueberblick
Bit sosem 2016-wieners-sitzung-00_themenueberblick
 
Bit wisem 2015-wieners-sitzung-13_Zusammenfassung II
Bit wisem 2015-wieners-sitzung-13_Zusammenfassung IIBit wisem 2015-wieners-sitzung-13_Zusammenfassung II
Bit wisem 2015-wieners-sitzung-13_Zusammenfassung II
 

Bit SoSem 2014 | Basisinformationstechnologie I - 04: Text

  • 1. Universität zu Köln. Historisch-Kulturwissenschaftliche Informationsverarbeitung Jan G. Wieners // jan.wieners@uni-koeln.de Basisinformationstechnologie II Sommersemester 2014 14. Mai 2014 – Text
  • 2. Text: Aspekte  Textklassifikation  Natürliche bzw. unstrukturierte Texte  Semistrukturierte Texte  Strukturierte Texte  Textstrukturierung: XML  Ein XML-Standard: die Text Encoding Initiative  Information Retrieval: Inhalte auffinden, clustern, etc.  Das VD18-Projekt Themenüberblick
  • 7. Die Strukturiertheit von Texten: (Text von lat. textus: Gewebe, Geflecht)  Natürliche und unstrukturierte Texte Beispiel: „Vor dieser Burleske frühkapitalistischen Übereifers flohen die coolen Kinder der Nachkriegsgeneration zu Beginn der achtziger Jahre in ein reptilienartiges Singledasein mit minimalen Ausschlägen.“ (http://www.zeit.de/2012/01/L-Murakami)  Strukturierte Texte Beispiel: MySQL-DB, XML  Semistrukturierte Texte Beispiel: HTML  Was bezeichnet ein bestimmtes HTML- Tag? Werden Standards in der Auszeichnung eingehalten? Textklassifikation
  • 11. Strukturierte Texte II Extensible Markup Language (XML)
  • 12.  Standard Generalized Markup Language (SGML)  Tags  Attribute und Attributwerte  Wohlgeformtheit von XML-Dokumenten  Validität / Gültigkeit von XML-Dokumenten  Schemata  Transformation von XML-Dokumenten
  • 17. Hugo von Hofmannsthal – Die Beiden Sie trug den Becher in der Hand – Ihr Kinn und Mund glich seinem Rand –, So leicht und sicher war ihr Gang, Kein Tropfen aus dem Becher sprang. So leicht und fest war seine Hand: Er ritt auf einem jungen Pferde, Und mit nachlässiger Gebärde Erzwang er, daß es zitternd stand. Jedoch, wenn er aus ihrer Hand Den leichten Becher nehmen sollte, So war es beiden allzu schwer: Denn beide bebten sie so sehr, Daß keine Hand die andre fand Und dunkler Wein am Boden rollte.
  • 18. Hugo von Hofmannsthal – Die Beiden Sie trug den Becher in der Hand – Ihr Kinn und Mund glich seinem Rand –, So leicht und sicher war ihr Gang, Kein Tropfen aus dem Becher sprang. So leicht und fest war seine Hand: Er ritt auf einem jungen Pferde, Und mit nachlässiger Gebärde Erzwang er, daß es zitternd stand. Jedoch, wenn er aus ihrer Hand Den leichten Becher nehmen sollte, So war es beiden allzu schwer: Denn beide bebten sie so sehr, Daß keine Hand die andre fand Und dunkler Wein am Boden rollte. Vers Strophe
  • 19. Ein Standard von dem man unbedingt ‘mal gehört haben muss: Die Text Encoding Initiative (TEI)
  • 20. Eine Lösung: TEI (Text Encoding Initiative)  Fokus: Text TEI bezeichnet sowohl  das Konsortium (TEI-C),  als auch einen Standard zur Kodierung und zum Austausch von Textdokumenten „TEI hat ein unabhängiges, portables und offenes Format [für die] Speicherung, Austausch und Analyse von Texten in den Geisteswissenschaften entwickelt. Das konkrete Resultat dieser Arbeit sind sowohl Richtlinien für die Kodierung unterschiedlicher Textsorten als auch das Textkodierungsformat selber.“ (http://www.onb.ac.at/sichtungen/print/bruvik-tm-1a-print.html)  Richtlinien und Format sind frei zugänglich und kostenlos Text Encoding Initiative (TEI)
  • 21. Geschichte:  1987 entstanden als internationale Initiative von Philologinnen und Philologen  Dokumentenformat zur Repräsentation von Texten in digitaler Form  Vielseitigkeit & Praxisnähe Differenzierung: TEI bezeichnet sowohl  das Konsortium (TEI-C), 2000 gegründet  als auch Richtlinien und Empfehlungen zur Kodierung und zum Austausch von Textdokumenten. Intention: Geisteswissenschaftlerinnen und Geisteswissenschaftler sollen über größtmögliche Freiheit verfügen, textuell vorliegende Information nach eigenem Textbegriff in XML zu codieren. Text Encoding Initiative (TEI)
  • 22. Versionsgeschichte  1990: TEI P1 (P => Proposal, Entwurf / Plan) Basiert auf SGML (Standard Generalized Markup Language)  1992 / 1993: TEI P2  1994: TEI P3 ("Green Books")  2002: TEI P4 (XML-basiert)  2002: TEI Lite  2007 TEI P5 Die Text Encoding Initiative
  • 24. Modularisierung  Flexible Auswahl von TEI-Elementen aufgrund des modularen Charakters der TEI. So muss ein eigenes Schema nicht alle Elemente und Attribute der TEI enthalten.  Module, u.a.:  core für Basiselemente  header für Metadaten  textstructure für grundlegende Textstrukturen  drama für Dramen  prose, poetry, etc. Die Text Encoding Initiative
  • 25. Verortung: EAD: Encoded Archival Description METS: Metadata Encoding and Transmission Standard
  • 26. Arten von Metadaten:  Administrative metadata for managing resources, such as rights information  Descriptive metadata for describing resources (Beispiel: Zettel des Zettelkataloges)  Preservation metadata for describing resources, such as recording preservation actions  Technical metadata related to low-level system information, such as data formats and any data compression used  Usage metadata related to system use, such as tracking user behavior  “End user‟s view is only the tip of the iceberg: Much of the metadata is not intended for public display” Metadaten “End user‟s view is only the tip of the iceberg: Much of the metadata is not intended for public display”
  • 27. Arten von Metadaten(vgl. Witten, Bainbridge, Nichols (2010): How to Build a Digital Library):  Administrative metadata for managing resources, such as rights information  Descriptive metadata for describing resources (Beispiel: Zettel des Zettelkataloges)  Preservation metadata for describing resources, such as recording preservation actions  Technical metadata related to low-level system information, such as data formats and any data compression used  Usage metadata related to system use, such as tracking user behavior  “End user‟s view is only the tip of the iceberg: Much of the metadata is not intended for public display” Metadaten in digitalen Bibliotheken
  • 28. MARC: MAchine Readable Cataloging  Vorgestellt in den späten 1960er Jahren von Henriette Avram (Library of Congress)  !Grundproblem/-intention: Migration von Zettelkatalogen zu computerbasierter Repräsentation von Datensätzen (Records)  MARC-Datensätze gespeichert als Sammlung von Feldern in einem „ziemlich komplexen Format“ [Witten, Bainbridge, Nichols (2010): How to Build a Digital Library]  “Producing a MARC record for a particular publication is an onerous undertaking that is governed by a detailed set of (highly detailed) rules and guidelines called the Anglo-American Cataloging Rules (AACR2R, 2R  final revised 2nd edition).” [Witten, Bainbridge, Nichols (2010): How to Build a Digital Library] MARC
  • 29. Maschinelles Austauschformat für Bibliotheken (MAB),  MAB  1970er, Deutsche Nationalbibliothek  MAB2  1990er  Verwendung mit RAK (Regeln zur Alphabetischen Katalogisierung) MAB
  • 30.  Variable Control Fields (00x)  Variable Data Fields  Numbers and Codes (0xx)  Main Entries (1xx)  Titles (2xx)  Edition, Imprint, etc. (2xx)  Physical Description, etc. (3xx)  Series Statements (4xx)  Notes (5xx)  […]  Vgl. http://catalog2.loc.gov sowie die Referenz unter http://www.loc.gov/marc/bibliographic/ecbdhome.html MARC Tags (die Spitze des Eisbergs)
  • 32. MARCXML  Dublin Core http://lccn.loc.gov/79459272/dc
  • 33.  Benannt nach Dublin, Ohio, wo 1995 das erste Treffen der Gruppe / Initiative veranstaltet wurde.  Dublin Core (DC): Satz von vordefinierten Metadatenelementen, intendiert für  Nutzung durch Nicht-Spezialisten  die Beschreibung digitaler Ressourcen (i.e. Websites), die häufig keinen eigenen MARC Katalog-Eintrag erhalten würden  Verglichen mit MARC: Sehr einfach  Designziel: Allgemeinheit, Einfachheit Dublin Core
  • 34. Satz von 15 Elementen zur Beschreibung von Ressourcen:  Title  Creator  Subject  Description  Publisher  Contributor  Date  Type  Format  Identifier  Source  Language  Relation  Coverage  Rights  Alle Elemente sind optional und wiederholbar, die Reihenfolge ist beliebig Dublin Core
  • 35. Fokus: Unstrukturierte und schwach strukturierte Texte
  • 36. Buzzwords: Text Mining, Data Mining, Information Retrieval, Machinelles Lernen, Textklassifikation, Web Mining  Data Mining: Einsatz auf stark strukturierten Daten  Text Mining: Informationsextraktion aus (u.a. semistrukturierten) Texten; Verwendung von Verfahren / Algorithmen des Data Minings  Automatisierte Strukturierung von Texten (insbes. sehr großen Mengen von Texten)  Information Retrieval: Suchanfragen an einen Textcorpus  Wie finde ich die von mir gesuchte Information? Arbeit mit Text: Methodenverortung
  • 37. Die Sache mit der Bedeutung...
  • 48. It„s magic? …oh no, it„s „just“ the work of…algorithms (hm, and maybe a little bit of magic)
  • 49. Ein Praxisbeispiel: Das VD18 Projekt
  • 50. Intention: Digitalisierung und Erschließung der im deutschen Sprachraum veröffentlichten Drucke des 18. Jahrhunderts Kontext VD18 VD 16 VD 17 VD 18 ~100 000 erfasste Titel ~255 000 Titel Ziel: Mehr als 600 000 Titel Förderzeitraum: 1969- 1999 Förderzeitraum: Seit Juli 1996 Förderzeitraum: Ab 2009
  • 51. Ein Praxisbeispiel: Das VD18 Projekt  Förderzeitraum Pilotphase: 2009-2011  Aufgaben Bibliotheken: ◦ Digitalisierung  http://digitale.bibliothek.uni- halle.de/vd18  Aufgaben HKI, Köln: In der sehr großen Datenbank (kleio) mit mehr als ~1 Million Titeln: ◦ Einzigartige, im Fundus nur einmal vorhandene, Werke identifizieren ◦ Sets von gleichen Werken ausfindigmachen
  • 52. VD18 – Arbeitsaufteilung / Workflow SWB KoordinierungsDB
  • 55.
  • 56. IDF – Beispiel: „Griechische Anthologie – aus den besten Dichtern gesammlet, nach den Dichtungsarten geordnet und mit literarischen Notizen begleitet; für Gymnasien und Akademien“
  • 57. (2) Gewichtung der Suchphrase bestimmen, i.e.: „Griechische Anthologie – aus den besten Dichtern gesammlet, nach den Dichtungsarten geordnet und mit literarischen Notizen begleitet; für Gymnasien und Akademien“  Summe der Gewichtungen relevanter Suchterme, die die Suchphrase charakterisieren Gewichtung
  • 58. (3) Wie herausfinden, dass der Titel „Griechische Anthologie – aus den besten Dichtern gesammlet, nach den Dichtungsarten geordnet und mit literarischen Notizen begleitet; für Gymnasien und Akademien“ gleich bzw. sehr ähnlich ist zu dem deutlich kürzeren Titel „Griechische Anthologie“ ?  Eine Möglichkeit: Abbildung in einem n-dimensionalen Vektorraum Vektorraum
  • 59. (4) Komplexität verringern, retrieval erhöhen: n-dimensions  1-dimension Vektorraum
  • 61. (6) Cluster ähnlicher Titel generieren: ◦ Cluster I: Titel mit Gewichtung = 22.040516  Dissertatio jvridica inavgvralis de jvre consvetvdinario  Dissertatio Juridica Inauguralis De Jure Consuetudinario  […] ◦ Cluster II: Titel mit Gewichtung = 14.525173  <ns>Diss. iur. inaug.</ns> de iure consuetudinario  Dissertatio iuris Germanici de iure consuetudinario universali Germaniae Medii Aevi in speculis Saxonico et Suevico, eiusque cognoscendi ratione (7) MAB Einträge (Author Name, Place of Printing, etc.) unscharf (fuzzy) vergleichen ◦ Partial String Comparison ◦ Levenshtein Distance / Edit Distance ◦ … Cluster
  • 62. „Tatort“-Folge „Er wird töten“ (09.06.2013)
  • 68. Levenshtein-Distanz, oder auch „Edit-Distance“:  Geringste Anzahl der Bearbeitungsschritte, um eine Zeichenkette in eine andere Zeichenkette zu transformieren. Vorgestellt in Levenshtein, Vladimir I.: Binary codes capable of correcting deletions, insertions, and reversals. Soviet Physics Doklady, Vol. 10, No. 8. (1966), pp. 707-710.  Beispiel: „kleyer“ vs. „meyer“ ◦ Levenshtein-Distanz zwischen den beiden Zeichenketten beträgt zwei: Um „kleyer“ in „meyer“ umzuformen, muss das zweite Zeichen der Zeichenkette „kleyer“ gelöscht („kleyer“  „keyer“) und das erste Zeichen in den Buchstaben „m“ geändert werden („keyer“  „meyer“). Levenshtein-Distanz
  • 69. Trefferquote (recall) und Genauigkeit (precision):  Recall: Liefert die Suchanfrage ein relevantes Ergebnis?  Precision: Ist der gefundene / zurückgelieferte Treffer für die Suchanfrage relevant? Bewertung der Suchergebnisse
  • 70. /