Wissensakquisition mithilfe maschineller Lernverfahren auf tiefen semantischen Repräsentationen (German Edition)

Eine große Wissensbasis ist eine Voraussetzung für eine Vielzahl von Anwendungen im Bereich der automatischen Sprachverarbeitung, wie Frage-Antwort- oder Information-Retrieval-Systeme. Ein Mensch hat sich das erforderliche Wissen, um Informationen zu suchen oder Fragen zu beantworten, im Laufe seines Lebens angeeignet. Einem Computer muss dieses Wissen explizit mitgeteilt werden. Tim vor der Brück beschreibt einen Ansatz, wie ein Computer dieses Wissen ähnlich wie ein Mensch durch die Lektüre von Texten erwerben kann. Dabei kommen Methoden der Logik und des maschinellen Lernens zum Einsatz. Danksagung; Inhaltsverzeichnis; Abbildungsverzeichnis; Tabellenverzeichnis; 1. Einleitung; 1.1. Motivation; 1.2. Arten von Wissens; 1.3. Vorteile der Nutzung von Wissen bei der natülichsprachlichen Verarbeitung; 1.4. Vorteile einer automatischen Wissensakquisition; 1.5. Einordnung der Arbeit; 1.5.1. Thematische Einordnung der Arbeit; 1.5.2. Organisatorische Einordnung der Arbeit; 1.6. Zusammenfassung und Thesen; 1.7. Aufbau der Arbeit; 1.8. Typografische Konventionen; 2. Typische Arten von Wissen; 2.1. Synonymie; 2.2. Subordination; 2.3. Meronymie; 2.4. Entailments und Paraphrasen. 3. Grundlagen3.1. MultiNet; 3.2. Verwendete Ressourcen; 3.2.1. Verwendete Korpora; 3.2.2. Axiome; 3.2.3. HaGenLex; 3.3. Evaluation; 3.3.1. Evaluationsverfahren; 3.3.2. Evaluationsmaße; 4. Stand der Forschung: automatische Lernverfahren für die Wissensakquisition; 4.1. Extraktion von Synonymen und Wortsynonymen; 4.2. Extraktion von Wortsubordinationen; 4.2.1. Extraktion von Wortsubordinationen durch Betrachtung syntagmatischer Relationen; 4.2.2. Extraktion von Wortsubordinationen durch Betrachtung paradigmatischer Relationen; 4.2.3. Extraktion von Wortsubordinationen durch Dokumentclustering. 4.2.4. Logische Validierung4.3. Extraktion von Meronymen und Wortmeronymen; 4.4. Lernen von ontologischen Sorten und semantischen Merkmalen; 4.5. Lernen von Entailments und Bedeutungspostulaten; 4.6. Weitere Arten der Wissensakquisition; 4.7. Nachteile bisheriger Verfahren und Vorteile tiefer Verfahren; 4.8. Verwendung und Anpassung von Verfahren aus dem Stand der Forschung; 5. Relationsextraktion basierend auf einer tiefen semantischen Wissensrepräsentation; 5.1. Vorgehen; 5.2. Extraktion von Subordinationsrelationen; 5.2.1. Tiefe Extraktionsregeln; 5.2.2. Flache Extraktionsregeln. 5.2.3. Lernen der Extraktionsregeln5.2.4. Vorteile und Nachteile tiefer Extraktionsregeln gegenüber flachen; 5.2.5. Fehlerquellen bei der Anwendung der tiefen Extraktionsregeln; 5.2.6. Filtern anhand ontologischer Sorten und semantischer Merkmale; 5.2.7. Ablegen der Relation in der Datenbank; 5.2.8. Validierung von Subordinationshypothesen; 5.2.9. Validierungsmerkmale; 5.2.10. Auswahl der Merkmale; 5.2.11. Wahl der korrekten Unterrelation; 5.2.12. Erkennung von Eigennamen; 5.3. Extraktion von Meronymrelationen; 5.3.1. Anwendung der Extraktionsregeln. 5.3.2. Filtern anhand ontologischer Sorten und semantischer Merkmale5.3.3. Validierungsmerkmale; 5.3.4. Wahl der korrekten Unterrelation; 5.3.5. Echte und in SUB eingebettete Meronymie; 5.3.6. Propagieren von Meronymen; 5.4. Extraktion von Synonymen; 5.4.1. Synonymextraktionsregeln; 5.4.2. Filtern anhand ontologischer Sorten und semantischer Merkmale; 5.4.3. Validierungsmerkmale; 5.5. Logische Ontologievalidierung mithilfe eines automatischen Beweisers; 5.6. Extraktion von semantischen Relationen aus maschinenlesbaren Lexika; 5.7. Technischer Support für die Annotation der Daten. Front Matter....Pages i-xvii Einleitung....Pages 1-10 Typische Arten von Wissen....Pages 11-15 Grundlagen....Pages 17-35 Stand der Forschung: automatische Lernverfahren für die Wissensakquisition....Pages 37-72 Relationsextraktion basierend auf einer tiefen semantischen Wissensrepräsentation....Pages 73-191 Lernen von Entailments basierend auf einer tiefen semantischen Wissensrepräsentation....Pages 193-206 Evaluation....Pages 207-241 Zusammenfassung und Ausblick....Pages 243-248 Back Matter....Pages 249-323 Eine grosse Wissensbasis ist eine Voraussetzung fur eine Vielzahl von Anwendungen im Bereich der automatischen Sprachverarbeitung, wie Frage-Antwort- oder Information-Retrieval-Systeme. Tim vor der Bruck beschreibt einen Ansatz, wie ein Computer dieses Wissen ahnlich wie ein Mensch durch die Lekture von Texten erwerben kann.