Der Computer hilft Wörterbücher
schreiben:
Ein neues
Projekt zu Methoden der Wörterbuch-Entwicklung
Software für Wörterbuchredakteure
Sprache lebt – und so sind Wörterbuchmacher ständig damit
beschäftigt, ihr Wörterbuch auf einem aktuellen Stand zu
halten und zu vervollständigen. Um neue Wörter, Bedeutungen
und Wortkombinationen zu finden, exzerpieren
Wörterbuchredakteure regelmäßig Zeitungen,
Zeitschriften und Bücher. Das heißt: sie notieren alles,
was ihnen für ihr Wörterbuch wichtig erscheint,
insbesondere Beispiele.
Ziel des vorgestellten Projekts ist es, in den kommenden zwei Jahren so
weitgehend wie möglich die Exzerption durch Softwarewerkzeuge zu
unterstützen. Das neue Transferprojekt ist eine Kooperation
zwischen der Universität Stuttgart, dem Langenscheidt Verlag
(München) und dem Bibliographischen Institut & F.A.
Brockhaus (Mannheim). Die Wissenschaftler des Stuttgarter Instituts
für maschinelle Sprachverarbeitung haben in den letzten Jahren
Computerprogramme entwickelt, die große Textmengen lesen
und nach bestimmten grammatischen oder lexikalischen Phänomenen
sortieren können. Verarbeitet werden dabei viele Millionen
Wörter, in der Regel mehrere komplette Jahrgänge einer
Tageszeitung auf einmal. Die Software ist aber nicht nur für die
Wörterbucherstellung relevant; jedes System zur
Verarbeitung natürlicher Sprache (Natural Language Processing,
NLP) benötigt sie als Komponente.
Die NLP-Software soll jetzt in den Dienst der Wörterbuchredaktionen
gestellt werden: Die Stuttgarter Wissenschaftler lassen den Computer
Beispielmaterial suchen und nach wörterbuchrelevanten
Kriterien sortieren. Zur Unterstützung der Wörterbuchredakteure
werden die gefundenen Beispiele mit den entsprechenden Angaben in dem
zu überarbeitenden Wörterbuch verglichen, das dem Institut
in elektronischer Fassung zur Verfügung steht. So kann
automatisch und damit sehr schnell ermittelt werden, welche Funde die
Aufnahme ins Wörterbuch lohnen. Umgekehrt können, u.a.
aufgrund von Häufigkeitsanalysen, Vorschläge zur Löschung
seltener oder veralteter Wendungen gemacht werden. Die Programme
werden am IMS an einigen Wörterbüchern von Langenscheidt
und von Duden erprobt und dabei den Bedürfnissen der
Wörterbuchredaktionen angepasst.
Projektpartner: zwei Verlage und
ein Universitätsinstitut
Das
Vorhaben dient dem Know-how-Transfer von der Forschung in die
Wirtschaft, daher die Bezeichnung „Transferbereich“.
Das Wörterbuchprojekt ist der erste DFG-Transferbereich in den
Geisteswissenschaften: Techniken aus der Computerlinguistik, die seit
Jahren in einem Sonderforschungsbereich der Universitäten
Stuttgart und Tübingen zu den „Theoretischen Grundlagen für
die Computerlinguistik“ erforscht und entwickelt worden sind,
werden jetzt im konkreten Arbeitsumfeld getestet.
Allein
die Personalkosten für das Projekt belaufen sich auf rund
500.000 Euro. Die Universität wird von der Deutschen
Forschungsgemeinschaft, DFG, gefördert. Die Verlage kommen für
ihre Kosten selbst auf.
Software für alle Wörterbuchbenutzer –
auf dem Weg zum innovativen elektronischen Wörterbuch
Ergebnis des Projekts soll zunächst Software sein, die dem
Wörterbuchredakteur Routinearbeit abnimmt und ihm
umfangreiches Material für Aktualisierungen zur Verfügung
stellt. Dabei geht es nicht nur um neue Einzelwörter, wie etwa
das Kickboard, das (im Gegensatz zu seinem in der Schweiz
verbreiteten Vetter, dem Trottinett) Eingang in die Ausgabe
2001 des Duden Universalwörterbuch gefunden hat. Es
geht auch um Wortverbindungen und um Details zum Wortgebrauch: Hat es
sich eingebürgert, die E-Mail zu sagen, oder ist das
E-Mail häufiger?
Zum anderen eröffnen sich Perspektiven für neue elektronische
Wörterbuchprodukte: Wer am PC nachschlägt, kann dann nicht
nur auf detailliertere, ausführlichere und möglichst
anschauliche Wörterbücher hoffen, sondern auch auf
Hilfsmittel zum Finden von Formulierungen und zur Überprüfung
seiner eigenen Annahmen, „wie es heißen müsste“.
Angenommen, ein Amerikaner will wissen, wie man im Deutschen
ausdrückt, dass man „seine Steuererklärung macht“.
Zu „tax return – Steuererklärung“ könnte er
im künftigen elektronischen Wörterbuch abgeben oder
einreichen finden, auf Wunsch mit Beispielsätzen aus
Zeitungen, aus denen die genaue Verwendung des Ausdrucks
hervorgeht. Das elektronische Medium bietet mehr Platz als das
gedruckte Buch; dementsprechend sollen zukünftige
Wörterbücher mehr sein als nur ein elektronisches Abbild
des Papierwörterbuchs. Das ist unter anderem auch für das
Sprachenlernen wichtig: das Wörterbuch gibt Auskunft anhand von
automatisch klassifiziertem Textmaterial.
Die Rechnerunterstützung für den Wörterbuchredakteur, die
in dem neuen Transferbereich im Vordergrund steht, wird somit zu
besseren elektronischen Wörterbüchern führen.
Systemarchitektur
Das System ist modular aufgebaut und besteht aus mehreren Komponenten,
die mittelfristig auch für andere Sprachen als Deutsch
bereitgestellt werden könnten. Diese sind schematisch in der
untenstehenden Abbildung angegeben. Zunächst werden die
Daten des bestehenden Wörterbuchs analysiert und in eine
Datenbank geschrieben. Parallel dazu werden sehr große Mengen
Text mit computerlinguistischer Software durchsucht; wieder werden
die Ergebnisse in die Datenbank eingetragen. Wörterbuch und
Textsammlung werden jetzt im Hinblick darauf verglichen, welche
wörterbuchrelevante Information sie liefern.
Die Ergebnisse des Vergleichs können zum Beispiel in einer
Benutzeroberfläche inspiziert werden (siehe den
untenstehenden Bildschirmabdruck). Dort sind Verbindungen mit dem
Wort Nahrung in einem zweisprachigen Wörterbuch mit dem
verglichen worden, was zu Nahrung in der Textsammlung des
Instituts gefunden wurde. Dabei ist in roter Schrift angegeben,
was im Text gefunden wurde, so aber nicht im Wörterbuch steht;
umgekehrt wird in blau markiert, was nur im Wörterbuch vorkommt,
während Wortkombinationen, die in beiden Quellen zu finden
sind, in schwarz am Bildschirm erscheinen.
Computerlinguistische Module
Warum Vorverarbeitung des Korpus? Warum nicht Einwort-Suche?
Ohne eine linguistische Analyse lassen sich nur einfache Suchanfragen, wie man
sie aus dem Internet kennt, durchführen: „Geben Sie ein
oder mehrere Wörter ein, die in dem zu suchenden Dokument
auftreten sollen“, oder „Geben Sie eine genaue Wortgruppe
ein“. Der Computer sucht dabei nach Zeichenfolgen, die mit denen
der Anfrage identisch sind. Für viele lexikographische
Fragestellungen ist diese Methode jedoch nicht ausreichend. Die
Suche nach Belegen für den Ausdruck einen Vortrag halten (vgl.
Englisch give a talk) verdeutlicht dies.
- Wörter treten in verschiedenen Formen auf:
Professor Maier hält einen Vortrag.
Professor Maier hielt zwei Vorträge.
- Die Wortabfolge
im Deutschen ist relativ frei. Anders als z.B. im Englischen kann
von der Anordnung nicht unmittelbar auf die Funktion
geschlossen werden, z.B. auf Subjekt oder Objekt:
Der Vorstand hält heute einen Vortrag.
Den Vortrag hält heute der Vorstand.
Heute wird der Vorstand den Vortrag halten.
Heute wird den Vortrag der Vorstand halten.
- Einen ganz
anderen Sinn ergibt die Sequenz im folgenden Beispiel. Die Form hält
gehört hier zum Verb abhalten.
Der Vortrag hält den Vorstand von einer Teilnahme an der
Besprechung ab.
Um die Gemeinsamkeiten
bzw. Unterschiede der genannten Beispiele zu erfassen, muss die
Software auf die Ergebnisse einer linguistischen Analyse
zurückgreifen können: zu jeder Wortform muss die Grundform
angegeben sein (die als Schlüssel beim Zugriff auf das Lexikon
des Programms dient). Außerdem müssen Satzbausteine
und deren Funktionen erkannt werden.
Die Verarbeitung von
Textmaterial für die automatische Exzerption verläuft in
zwei Schritten: Ein Programm zur Vorverarbeitung reichert den Text
mit linguistischer Information an, z.B. mit den Grundformen der
Wörter sowie mit Satzbausteinen und deren Funktionen. Das
Auswertungsprogramm extrahiert in einem zweiten Schritt
lexikographisch relevante Information aus dem analysierten Text.
Dieses Material wird automatisch mit Angaben aus dem Wörterbuch
verglichen und dann dem Lexikographen präsentiert.
Werkzeuge für die Vorverarbeitung
Chunking mit YAC (Three Level Incremental Partial Parser)
Das Chunking hat zum
Ziel, einzelne Wörter zu größeren Einheiten
(„Chunks“) zusammenzufassen. Solche Einheiten sind
Satzbausteine wie Subjekt und Objekt oder sinnvolle Teilstrukturen
davon. Man nennt diese Einheiten auch „Phrasen“. Die
Linguisten unterscheiden verschiedene Typen von Phrasen, je nach
deren „Kopf“ (Kern oder Hauptelement). Subjekt und Objekt
sind i.d.R. Nominalphrasen (NP), d.h. Phrasen mit einem
Substantiv (Nomen) als Kopf. Wenn man sich einen Satz wie den
folgenden näher betrachtet, wird klar, dass eine Analyse von
Phrasen sinnvoll, wenn nicht sogar notwendig ist.
Auch die private zufällig auf dem Speicher wiedergefundene
Steuerklärung des Ehepaars stand am zweiten Verhandlungstag
erneut zur Debatte.
Um herauszufinden,
welches Adjektiv mit welchem Substantiv kombiniert werden kann,
reicht es nicht aus, nur Elemente zu betrachten, die besonders nahe
beieinander stehen. Im oben genannten Beispiel würden
fälschlicherweise privat und Speicher extrahiert und nicht
privat und Steuererklärung. Das korrekte Paar kann nur
extrahiert werden, wenn festgestellt werden kann, auf welches
Substantiv sich ein Adjektiv bezieht.
YAC ist ein
vollautomatisches Tool, das zum Chunking eingesetzt wird. Das Ziel
ist, eine Basis für die Extraktion von lexikographischem und
linguistischem Wissen für verschiedene Anwendungen zu
schaffen. Dazu wird versucht, möglichst große Phrasen zu
bilden, im Idealfall Satzbausteine wie Subjekt oder Objekt.
Die Software enthält
relativ einfache Regeln, die mehrfach auf denselben Text angewendet
werden. Nach jedem Regeldurchlauf werden die Ergebnisse im Korpus
festgehalten. In den weiteren Analyseschritten kann auf die
bereits erkannten Strukturen zugegriffen werden. Diese können in
den Aufbau größerer Strukturen mit einbezogen oder
selbst erweitert werden. Der mehrstufige Aufbau erlaubt die
Verschachtelung von Phrasen derselben Kategorie, wie folgendes
Beispiel verdeutlicht.
Hier ist z.B. eine NP
(Nominalphrase) in eine AP (Adjektivphrase) und diese in eine größere
NP eingebettet. Die Regel für die eingebettete NP und für
die größere NP bleibt dieselbe.
GRAMOTRON: Analyse mit einer statistischen Grammatik
Im Rahmen des
Meta-Projekts GRAMOTRON
des Lehrstuhls für Theoretische Computerlinguistik wurden
verschiedene Verfahren entwickelt, um mit statistischen Methoden
linguistische Information aus Korpora zu gewinnen. Die
Grundannahme des statistischen Ansatzes ist, dass sich
Sprachkonventionen (d.h. Regeln und Formulierungen) durch ihre
Häufigkeit bemerkbar machen. Nicht nur bei der linguistischen
Vorverarbeitung sondern auch bei der Extraktion gilt: eine Analyse,
die häufiger ist als andere, wird als plausibler eingestuft.
Die statistische
Grammatik besteht aus Regeln, die zunächst von Hand erstellt,
dann aber automatisch bewertet werden. Die Grammatik analysiert
ein großes Korpus. Dabei wird für jede Regel mitgezählt,
wie oft sie anwendbar war; aus dieser Frequenzangabe wird ein
Wahrscheinlichkeitswert für die Regel berechnet. Mittels
eines Algorithmus aus dem maschinellen Lernen (des EM-Algorithmus)
kann das System die Gültigkeit der einzelnen Regeln lernen.
Für die
lexikographischen Fragestellungen ist besonders wichtig, dass jede
einzelne Grammatikregel für jeden möglichen
lexikalischen Kopf gesondert bewertet wird. Das erlaubt es, dass auch
Beziehungen zwischen nicht benachbarten Einheiten ausgewertet
werden können. In der Abbildung unten ist erkennbar, dass der
Kopf der Verbalphrase, halten, über die syntaktische Struktur in
direkter Beziehung zum Kopf des Objekts, Vortrag, steht,
unabhängig von der linearen Abfolge: Die Kopfinformation wird in
der Struktur weitergegeben.
Extraktionsverfahren und Ergebnisse
Die
Regeln von YAC sind in der CQP-Anfragesprache (Corpus Query
Processor) der IMS Corpus Workbench (CWB)
geschrieben. Mit derselben Anfragesprache wird auf das von YAC mit
Analysen angereicherte („annotierte“) Korpus
zugegriffen. So kann die Extraktionssoftware nicht nur die Phrasen,
sondern auch deren Köpfe und lexikalische Eigenschaften
abfragen und gleichzeitig Belege dafür sammeln. Die
Ergebnisse können in HTML formatiert und durchgesehen werden.
Die untenstehende Abbildung zeigt Verben, die mit dem Nomen
Steuererklärung auftreten. Sie sind nach Häufigkeiten
sortiert und mit Beispielsätzen aus dem Korpus versehen.
Außer dem
CQP-Format kann das Korpus auch in XML ausgegeben werden, ein Zugriff
mit XSL-Stylesheets ist somit möglich. Außerdem kann das
Korpus in andere Formate konvertiert werden, wie z.B. das TIGERSearch
Format. TIGERSearch
ist ein Korpus-Anfragetool, das am IMS entwickelt wurde und das
erlaubt, strukturell annotierte Korpora als Baumstruktur
darzustellen. Für TIGERSearch gibt es auch eine graphische
Benutzerschnittstelle (GUI).
Beim
statistischen Ansatz kann ein Großteil der lexikographischen
Information direkt aus den statistisch bewerteten Grammatikregeln
abgelesen werden. Die Abbildung rechts zeigt die Verben, die mit
Vortrag als Objekt aufgetreten sind. Die Frequenzen zeigen deutlich,
dass die Verbindung Vortrag halten überdurchschnittlich oft
aufgetreten ist. Für den Lexikographen ist das ein
wichtiger Hinweis.
Anwendungen für
diese Software sind u.a. der Lexikonaufbau, z.B. typische
Wortverbindungen (vgl. die Beispiele oben) oder die Identifikation
typischer grammatischer und semantischer (bedeutungsmäßiger)
Einschränkungen im Wortgebrauch. Daneben aber auch andere, in
der Forschung diskutierte Ansätze, wie z.B. semantische
Clustering-Verfahren (die zunächst unsortierte Wortmengen in
Bedeutungsgruppen ordnen), vollständige oder partielle
Satzanalyse sowie maschinelle Übersetzung.
bs) | © Universität Stuttgart | Impressum