Short Paper at Digital Humanities 2016 in Krakow, Poland. Unsupervised concept learning, metaphor recognition, and aggregation.

1. DH2016
Krakow , July 14th 2016
METAPHOR MINING IN HISTORICAL GERMAN NOVELS:
USING UNSUPERVISED LEARNING TO UNCOVER
CONCEPTUAL SYSTEMS IN LITERATURE.
STEFAN PERNES
UNIVERSITY OF WÜRZBURG

2. ‣ a systematic mapping, or rather, the projection of one
domain (e.g. light) onto another (e.g. beauty)
‣ a (usually abstract) concept can be experienced through
another (usually concrete) concept
DEFINITIONS
Der Mensch ist ein Wolf.
Die Tante meckert.
Es ist strahlend schön.
‣ linguistic metaphor
Man is a wolf.
The aunt bleats (complains).
It is radiantly beautiful.

3. ‣ conceptual metaphor
DEFINITIONS
Wie geht’s?
Es läuft gut.
Es geht voran.
LIFE IS A JOURNEY ARGUMENT IS WAR
Das Argument ist vernichtend.
Die Theorie hält stand.
Die Kritik trifft gezielt.
‣ a cognitive ‘bracket’ that encompasses all possible specific realisations
‣ a cognitive phenomenon that expresses itself in language
It’s going well. The theory withstands.

4. DEFINITIONS
lexicalized novel
‣ conventionality
“Tischbein”
“Spaß machen”
conventional
“spitze Bemerkung”
“strahlend sauber”
“Schwarze Milch
der Frühe”
“table leg” “black milk of
the morning”“making fun”
“sharp comment”
“shiningly (spotlessly) clean”

5. ‣ metaphor as lexeme vs. metaphor as an utterance
DEFINITIONS

6. ‣ noun metaphor
‣ copula-construction (“ist”, “wie”, “als”)
“Peter ist ein schräger Vogel.”
‣ genitive metaphor
“der Strom des Lebens”
‣ compound metaphor
“Geistesblitz”
FEATURES
“the stream of life”
“Peter is an awkward
bird (a crazy guy)”
“flash of inspiration”

7. ‣ verb metaphor:
‣ adjective metaphor:
FEATURES
“die Ideen sprudelten”
“ein strahlender Tag”
overview on metaphor constructions in
German, cf. Skirl & Schwarz-Friesel 2007
“ideas gush”
“a radiant (bright) day”
‣ preposition metaphor
“in Gedanken versunken”
“deep in thought”

8. FEATURES
‣ based on a sample of 5000 sentences, 50% containing metaphors

9. FEATURES
‣ based on a sample of 5000 sentences, 50% containing metaphors

10. PREPROCESSING
‣ process corpus with POS-tagging and dependency parsing
‣ extract metaphor candidate constructions
‣ build similarity matrix using a distance/divergence measure
(here: Jensen-Shannon divergence)

11. CLUSTERING
cf. Shutova & Sun 2013

12. EVALUATION
"HGFC operates with a precision of P = 0.69, whereas the baselines
attain P = 0.36 (AGG) and P = 0.29 (WN). The precision of annotator
judgements against each other (the human ceiling) is P = 0.80,
suggesting that this is a challenging task."
Shutova & Sun 2013
➡ a manually annotated metaphor corpus for German is in the works

13. ‣ a combination of texts from TextGrid's digital library and from
the Gutenberg project
‣ 1418 works
‣ 116,423,486 tokens
DATASET

14. ‣ Datengrundlage: 383 Romane (41 Mio. Tokens), aus den Jahren 1780-1940
DATASET

15. CLUSTERING RESULTS
feuer-wehmut
source: feuer
targets: wehmut verzweiflung kummer jahrhundert erregung
features: brennen herd kamin werfen-prep groß anzünden
sitzen-prep geben setzen-prep sehen lager gehen-prep klein
schüren stehen-prep schlagen fangen lauf hell heilig lodern
löschen gewehr zünden sehen-prep legen-prep freuden
erlöschen kohlen entzünden legen nehmen-prep kommen-prep
kommen lodernd anmachen werfen sein-prep flackern sprühen
leuchten höllisch bringen-prep flammen werden-prep wild
speien ausbrechen liegen-prep höllen
fire-despair

16. CLUSTERING RESULTS
organismus-nation
source: organismus
targets: nation kunst kreuz bibel verkehr
features: ganz menschlich staats gesamt eigen gesund lebend
hoch groß welt lebendig klein zerstören zart weiblich tierisch
erschüttern elterlich übrig wunderbar stehen neu natürlich
müssen krank geben staat sein-prep scheinen schaffen niedrig
liegen-prep kräftig jung größern finden familie besitzen
wirkung-prep vorgang-prep volks vertragen versuch-prep
stören schön schwächen psychisch physisch nieder nennen
organism-nation

17. CLUSTERING RESULTS
ferne-klarheit
source: ferne
target: klarheit ferne lampe appetit hett
features: weit sehen-prep hören-prep liegen-prep blicken-prep
kommen-prep klingen-prep blau schauen-prep verlieren-prep
ziehen-prep stehen-prep rücken-prep tönen-prep vernehmen-
prep rufen-prep erblicken-prep unendlich verschwinden-prep
zeigen-prep blick-prep schweifen-prep richten-prep groß welt
betrachten-prep scheinen-prep tauchen-prep beobachten-prep
erkennen-prep unbekannt starren-prep sein-prep gehen-prep
erscheinen-prep dringen-prep suchen-prep schimmern-prep
ertönen-prep halten-prep verhallen-prep haben-prep erheben-
prep rollen-prep folgen-prep erschallen-prep unbestimmt
leuchten-prep bemerken-prep antworten-prep
distance-clarity

18. CLUSTERING RESULTS
drohung-ton
source: drohung
targets: ton gespenst bemühung erscheinung stirne
features: ausführen leer ausstoßen wild zwingen-prep
furchtbar schrecklich klingen nehmen hören versteckt stoßen
fürchterlich lachen-prep gehen-prep bringen verwirklichen letzt
erfüllen sprechen sein-prep scheinen hart einschüchtern-prep
liegen heftig enthalten dunkel bewegen-prep aussprechen
schrecken antworten-prep vater hinreißen-prep helfen gelten
führen erschrecken-prep ernst ergehen-prep bringen-prep
wütend wirken werfen verlassen-prep unverständlich setzen-
prep schwer sagen-prep mann
threat-tone

19. CLUSTERING RESULTS
segen-kindheit
source: segen
targets: kindheit ausgang sonntag jungfer winter
features: geben bringen sprechen empfangen gott abend
erteilen kinder bitten-prep ruhen groß himmel reich gut vater
letzt väterlich haus priester nehmen ernte spenden wahr eltern
herr gottes erflehen bleiben verwandeln-prep liegen kommen
wünschen recht mutter erbitten voll rufen morgen gereichen-
prep gehen ganz fehlen verbreiten tragen kirche wetter
sprechen-prep mütterlich erhalten arbeit
blessing-childhood

20. PROOF OF CONCEPT: DIACHRONIC DEVELOPMENTS
blessing-childhood

21. PROOF OF CONCEPT: DIACHRONIC DEVELOPMENTS
birth-word

22. PROOF OF CONCEPT: DIACHRONIC DEVELOPMENTS
poem-journey

23. PROOF OF CONCEPT: DIACHRONIC DEVELOPMENTS
cradle-heart

24. THANK YOU!
• Shutova, E. and Sun, L., 2013, June. Unsupervised Metaphor Identification Using
Hierarchical Graph Factorization Clustering. In HLT-NAACL (pp. 978-988).
• Skirl, Helge, and Monika Schwarz-Friesel. 2007. Metapher. Universitätsverlag Winter.
• Yu, K., Yu, S. and Tresp, V., 2005. Soft clustering on graphs. In Advances in neural
information processing systems (pp. 1553-1560).
References