1 Wer bloggt was? Eine Analyse der deutschen Top 100-Blogs mit Hilfe von Cluster-Verfahren

Transkript

1 1 Wer bloggt was? ine nalyse der deutschen Top 100-logs mit Hilfe von luster-verfahren Sebastian Schäfer, lexander Richter und Michael Koch Forschungsgruppe Kooperationssysteme an der Universität der undeswehr München 1 Motivation nalyse des ontent von Social Software nalyse der logosphäre luster-nalyse für log-inhalte Hierarchisches lustern k-means lusterverfahren lustern durch imensionsreduktion nwendung der luster-nalyse auf die deutsche logosphäre rgebnisse und Interpretation atenqualität Hierarchisches lustern Wortcluster k-means lusterverfahren lustern durch imensionsreduktion Zusammenfassung und usblick

2 Sebastian Schäfer, lexander Richter und Michael Koch 1 Motivation ie ntwicklung vom Web 1.0 zum Web 2.0 bedeutet nicht nur, dass durch die ezentralisierung und eteiligung Vieler mehr aten zu Interessen und Vernetzungen von Web-Nutzern bereitgestellt werden, sondern auch, dass diese nun leichter zugänglich sind über PIs oder andere Standard-Schnittstellen wie RSS-Feeds. adurch haben nun große Web-Plattformen kein Monopol mehr auf die atenmengen, die zur Nutzung der kollektiven Intelligenz (Surowiecki, 2005), zur nalyse von Trends etc. notwendig sind. Jeder Internet-Nutzer kann mit relativ geringem ufwand auf die Information zugreifen, nalysen darüber fahren und sie zur Verbesserung eigener ienste einsetzen (siehe z.. Segaran, 2007). In diesem eitrag wollen wir dies am eispiel der nalyse eines usschnitts der deutschen logosphäre demonstrieren. abei wählen wir das Medium log, da logs ein klassisches eispiel für die ezentralität des Web 2.0 sind und über RSS-Feeds einen guten Zugang zu den aten bieten, die dezentral erfasst werden. 1.1 nalyse des ontent von Social Software Social Software bietet aufgrund mehrerer igenschaften z.. der Personenzentriertheit der ienste oder die eteiligung Vieler an den Inhalten - eine sehr gute atenbasis für die Gewinnung von rkenntnissen im Sinne der kollektiven Intelligenz. etrachtet man das ganze Spektrum von Social Software, bieten sich hierfür mehrere Möglichkeiten an, von denen einige kurz angesprochen werden sollen. Nachdem im Zentrum von Social Software fast durchgehend Soziale Netzwerke stehen, spielen hier die Methoden der Sozialen Netzwerkanalyse (SN) eine entscheidende Rolle (vgl. z.. Wasserman und Faust, 1997; Scott, 1991). abei geht es grundsätzlich um die nalyse von (sozialen) Interaktionen zwischen Nutzern. in eispiel aus dem privaten ereich sind die zahllosen nwendungen auf der Plattform Facebook, die es ermöglichen die Verbindungen innerhalb des persönlichen Netzwerks anzeigen zu lassen (wie z.. das FriendWheel vgl. bbildung 1.1, links). In Unternehmen kann die SN eingesetzt werden um die Zusammenhänge und Potentiale bzgl. der Zusammenarbeit frühzeitig erkennen zu können. So ist es z.. bei dem in der IM zum Social-Networking eingesetzten ienst Fringe mit Hilfe der rweiterung Sonar sehr einfach möglich die eziehungen zwischen Mitarbeitern zu analysieren und zu visualisieren (vgl. bbildung 1.1, rechts). asselbe gilt für Wikis: Müller nimmt in einem anderen eitrag in diesem and eine anschauliche nalyse virtueller Gemeinschaften in orporate Wikis zur Förderung des selbstorganisierten Wissensmanagements vor. Ähnlich wie bei der nalyse von Social Networking Services ist das Ziel, gewünschte und ungewollte ntwicklungen frühzeitig zu erkennen und ggf. reagieren zu können. laschke nennt in seinem eitrag mehrere weitere Veröffentlichungen zur nalyse und Visualisierung von Ko-utoren- Netzwerken in Wikis. 5

3 Wer bloggt was? (a) Facebook-nwendung FriendWheel (b) usschnitt aus Fringe (IM) bbildung 1.1: Visualisierung sozialer Netzwerke Und auch oder gerade Weblogs/logs stellen aufgrund des kleinen Mikrouniversums, das jeder von ihnen für sich darstellt, ein ausgezeichnetes Ziel für die SN dar. Hier setzt dieser eitrag an. 1.2 nalyse der logosphäre Wie auch bei anderen ienstklassen stützen sich viele nwendungen von SN in der logosphäre auf direkte Verlinkungen zwischen logs (und damit meist Personen). Neben logrolls werden dabei vor allem Kommentierungen und Trackbacks zwischen logs ausgewertet und daraus verschiedene rten von Verweisgraphen erstellt, wie wir sie im vorherigen bschnitt schon gezeigt haben. Hierzu liegen zahlreiche Studien vor. in interessanter Überblick zu Veröffentlichungen in denen z.. strukturelle Merkmale weblogbasierter Netzwerke auf Grundlage von Stichproben untersucht werden (wie die nalyse von länder- oder sprachspezifischen logosphären) oder die sich mit thematisch zusammenhängenden Weblognetzwerken befassen findet sich bei Schmidt (2008). Wir wollen in diesem eitrag einen anderen nsatz aufzeigen. Im Weiteren wird am eispiel eines usschnitts der deutschen logosphäre gezeigt, wie sich mit Hilfe einfacher luster-verfahren verschiedene atenquellen im Internet an Hand ihrer Inhalte thematisch klassifizieren lassen. Ziel ist es zum einen, die einfache nwendbarkeit und Leistungsfähigkeit der verwendeten Verfahren zu demonstrieren, und zum anderen rkenntnisse über die Themenbereiche der deutschen logger-landschaft zu gewinnen. 6

4 Sebastian Schäfer, lexander Richter und Michael Koch azu wurden die RSS-Feeds ausgewählter deutscher Top-logs im Hinblick auf aktuell diskutierte Themen und insbesondere der dabei enthaltenen Wörter analysiert. Zur Klassifizierung wurden einfache Standardverfahren verwendet, die im Folgenden kurz beschrieben werden. Weitere usführungen dazu finden sich beispielsweise bei ackhaus et al. (2000) oder Moosbrugger und Frank (1992). Segaran (2007) wendet ähnliche Verfahren auf die englische logosphäre an. Im Folgenden werden zunächst die drei in der Studie angewandten Methoden der luster-nalyse und das konkrete Vorgehen (bschnitt 2) vorgestellt. nschließend werden die rgebnisse der nwendung der Methoden auf die einen ausgewählten Teil der deutschen logcharts erläutert und interpretiert (bschnitt 3). ine Zusammenfassung sowie ein usblick auf weitere mögliche nalyse-schritte schließen diesen eitrag ab (bschnitt 4). 2 luster-nalyse für log-inhalte Unter einer luster-nalyse versteht man im llgemeinen strukturentdeckende, multivariate nalyseverfahren zur rmittlung von Gruppen (lustern) von Objekten, deren igenschaften oder ihre usprägungen bestimmte Ähnlichkeiten aufweisen (vgl. Wikipedia:lusteranalyse). s wird also nicht auf Strukturen von (Interaktions-)Graphen gearbeitet, sondern auf konkreten Inhalten, die zwar logs und somit Personen zugeordnet werden können, zwischen denen aber noch keine eziehungen erkannt worden sind. rgebnis der luster-nalyse sind dann eziehungen zwischen den Inhalten (und damit den logs bzw. Personen) in der Form der Zugehörigkeit zu gemeinsamen lustern bzw. der Nähe zueinander. lusterverfahren können damit einen empirischen quantitativen Zugang zum enutzergenerierten Inhalt des Web 2.0 eröffnen, wobei die atenerhebung z.. im Gegensatz zu Umfragen (quantitativ) und Interviews (qualitativ) eher indirekt in Form von unabhängigen eobachtungen erfolgt. Heute existiert eine Vielzahl von luster-nalyseverfahren, die beispielsweise zur automatischen Klassifikation oder zur Mustererkennung eingesetzt werden. In der vorliegenden Studie wurden aufgrund der infachheit und der nschaulichkeit der rgebnisse die drei folgenden luster-methoden angewendet: Hierarchisches lustern k-means lusterverfahren lustern durch imensionsreduktion Zur nwendung der luster-methoden liegen die zu clusternden lemente in Form von mehrdimensionalen Vektoren vor, welche die Merkmalsausprägungen (hier die Vorkommenshäufigkeit eines bestimmten Wortes) beschreiben. Um die Vektoren dann vergleichen zu können, wird ein Ähnlichkeitsmaß bzw. eine istanzfunktion benötigt. 7

5 Wer bloggt was? bbildung 1.2: Hierarchische lusterung von fünf lementen in der bene Neben der klassischen euklidischen istanz bietet sich hierfür (u. a.) der Korrelationskoeffizient nach Pearson an, der auch für die erechnungen in diesem eitrag verwendet wird. ieses Maß liefert insbesondere bei nicht normalisierten aten die besseren rgebnisse. adurch wird die möglicherweise unterschiedliche Länge von logbeiträgen ausgeglichen, da je nach Textlänge charakteristische Wörter in entsprechender Häufigkeit zu erwarten sind. 2.1 Hierarchisches lustern eim hierarchischen lusterverfahren wird schrittweise eine Hierarchie von Gruppen aufgebaut. Zu eginn besteht jede Gruppe aus den inzelelementen, in diesem Fall den einzelnen logvektoren. er lgorithmus fasst nun schrittweise immer die zwei Gruppen zusammen, die entsprechend des Ähnlichkeitsmaßes die kleinste istanz zueinander aufweisen. er Vektor der neu entstandenen Gruppe berechnet sich dann aus dem arithmetischen Mittel der beiden Gruppenvektoren. as Verfahren wird so lange fortgesetzt, bis nur noch eine Gruppe existiert. bbildung 1.2 verdeutlicht den blauf an Hand von fünf lementen im zweidimensionalen Raum. ls rgebnis erhält man nicht nur eine hierarchische lusterstruktur der aten, sondern über die istanzwerte auch Informationen wie weit die einzelnen Unter-luster eines Knotens bzw. die einzelnen lemente auseinander liegen. ies lässt sich am besten an Hand eines endrogramms visualisieren, bei dem die Länge der Kanten die istanzen repräsentieren. Für das eispiel aus bbildung 2 ergibt sich ein endrogramm wie in bbildung 1.3. ls zusätzliche Möglichkeit lässt sich durch eine einfache Rotation der Matrix um 90 Grad ein lustern der Wörter erreichen, d. h. es lassen sich Gruppen von thematisch ähnlichen Wörtern bilden. llerdings ist in diesem Fall zu beachten, dass die nzahl der zu clusternden lemente deutlich größer ausfällt als die zur Verfügung stehenden imensionen und den dadurch aufgespannten Raum. as Risiko eher fragwürdiger luster steigt damit deutlich an. 8

6 Sebastian Schäfer, lexander Richter und Michael Koch bbildung 1.3: arstellung des eispiels aus bbildung 1.2 als endrogramm 2.2 k-means lusterverfahren Hierarchische lusterverfahren lassen sich durch endogramme gut visualisieren, doch liegen die Interpretation und vor allem die ufteilung in signifikant unterschiedliche Gruppen eher im uge des etrachters. Zudem erfordert die erechnung eine Vielzahl istanzberechnungen und Vergleichen, was insbesondere bei sehr großen atensätzen zu langen Laufzeiten führt. ine lternative bietet hierzu das k-means lusterverfahren, welches die aten in eine vorher festgelegte nzahl von k Gruppen klassifiziert. ie Größe der einzelnen Gruppen richtet sich nach der Struktur der vorhandenen aten. Kern des Verfahrens sind k Zentroide, d. h. Punkte im Raum, die das Zentrum eines lusters repräsentieren. ie Zentroide werden zu eginn zufällig in dem durch die Vektoren aufgespannten Raum verteilt. er lgorithmus prüft nun für jedes lement (logvektor), welchem Zentroid es am nächsten liegt und weist es diesem Zentroid zu. nschließend werden die Zentroiden in den Mittelpunkt ihrer zugewiesenen lemente verschoben. iese Schleife wiederholt sich so lange, bis keine Veränderung mehr auftritt. bbildung 1.4 verdeutlicht diesen blauf mit fünf lementen und zwei Zentroiden im zweidimensionalen Raum. bbildung 1.4: k-means lusterung von 5 lementen mit 2 Zentroiden 9

7 Wer bloggt was? urch die zufällige Verteilung zu eginn besitzt das Verfahren im Gegensatz zur hierarchischen lusterung eine stochastische Komponente. ie rgebnisse, d. h. die Inhalte der einzelnen luster, können sich daher von Lauf zu Lauf leicht unterscheiden. ls Gütekriterium dient hierbei die mittlere paarweise istanz zwischen den lementen innerhalb eines lusters. iese sollte deutlich unter der mittleren paarweisen istanz über alle lemente liegen. uch kann es passieren, dass bei hinreichend großem k einzelne luster leer bleiben oder nur ein lement enthalten. Hier muss der urchlauf gegebenenfalls neu gestartet werden. 2.3 lustern durch imensionsreduktion ls letztes Verfahren wurde eine so genannte imensionsreduktion auf die aten angewendet. Gewöhnlich entzieht sich jeder Raum mit mehr als drei imensionen der menschlichen Vorstellungskraft. s wurden daher eine Reihe von Verfahren entwickelt, die hochdimensionale aten unter möglichst geringem Informationsverlust in drei, zwei oder gar einer imension darstellen und damit grundsätzliche eziehungen zwischen verschiedenen lementen veranschaulichen. ie hier verwendete Technik ist unter dem Namen multidimensionale Skalierung bekannt und reduziert die N-dimensionalen logvektoren auf eine arstellung in der bene. ie Kernidee dabei ist für alle lemente die paarweisen bstände in der bene (gemessen durch die euklidische istanz) mit den entsprechenden Werten der (multidimensionalen) istanzfunktion überein zu bringen. azu werden zunächst für alle lemente paarweise die bstände über die istanzfunktion (hier Pearson-Korrelation) als Zieldistanz berechnet. nschließend werden alle lemente (logs) zufällig auf eine bene platziert. In der Hauptschleife wird nun über mehrere Runden die reale istanz in der bene mit der angestrebten Zieldistanz verglichen und durch kontinuierliches Verschieben der Punkte versucht, den globalen Fehler, d. h. die Summe der ifferenzen zwischen realer und gewünschter Zieldistanz, zu minimieren. nschaulich lässt sich dies so vorstellen, dass in jeder Runde für jedes lement ein zweidimensionaler Kraftvektor berechnet wird, der sich aus seiner Fehlstellung zu seinen Nachbarn ergibt. m nde einer Runde werden alle lemente ein kleines Stück in die Richtung ihres Kraftvektors verschoben und es werden erneut alle Fehlstellungen berechnet. as Verfahren bricht ab, so bald keine Verbesserung mehr gefunden werden kann, d. h. der globale Fehler sich nicht weiter minimieren lässt. er globale Fehler dient dabei auch als eine rt Gütemaß der gefundenen Lösung und wird durch die zufällige Platzierung zu eginn bei jedem urchlauf leicht variieren. 2.4 nwendung der luster-nalyse auf die deutsche logosphäre ie atenbasis für die nalyse bildet eine uswahl von deutschen Top-logs, die im Wesentlichen der Website eutsche logcharts ( entnommen wurde und auf der jede Woche die einhundert wichtigsten deutschen logs 10

8 Sebastian Schäfer, lexander Richter und Michael Koch ermitteln werden. ls Kriterium wird die Zahl der Verlinkungen (rwähnungen) eines logs innerhalb der logosphäre herangezogen, die sicherlich eine wichtige Kennzahl zur ewertung von Relevanz und ekanntheit eines logs darstellt. ine alternative ewertung bietet beispielsweise die Website welche Nennungen in der logroll auf anderen logs auswertet. Zusätzlich wurden noch drei hauseigene logs von utoren der Forschungsgruppe Kooperationssysteme aufgenommen. a aufgrund technischer Gründe nicht alle logs ausgelesen werden konnten, standen schlussendlich 76 logs zur nalyse zur Verfügung. (ine Liste der URLs findet sich auf der Verlagsseite zum uch unter In einem ersten Schritt wurden die RSS-Feeds der ausgewählten URLs eingelesen, welche je nach log die kompletten eiträge oder aber nur einen bstract umfassen. Nach ntfernung aller HTML-Tags wurden die Worthäufigkeiten der aktuellen Inhalte bestimmt. Um hierbei nur möglichst charakteristische Wörter zu betrachten, wird sich bewusst auf Substantive beschränkt, die im Gegensatz zum nglischen im eutschen einfach an Hand von Großbuchstaben identifiziert werden können. a dieses Kriterium allerdings auch zum Teil für andere Worte z.. am Satzanfang zutrifft, wurde nach einem ersten urchgang nach manueller urchsicht eine Negativliste erstellt, mit der häufig verwendete Satzanfangworte herausgefiltert werden. Fortgeschrittenere Verfahren, die hier allerdings aus technischen Gründen (noch) nicht verwendet wurden, sind beispielsweise der insatz eines so genannten Stemming Verfahrens (vgl. Wikipedia:Stemming), um Worte, wie z.. logs und log, auf ihre Grundform zurückzuführen und damit identisch einordnen zu können. ls weiteres Kriterium wurden zwei Schranken festgelegt, mit denen die minimale als auch die maximale Worthäufigkeit über alle logs eingestellt werden kann. eispielsweise macht es wenig Sinn, spezielle Worte, die nur in einem einzigen log vorkommen zu betrachten, andererseits bieten sehr häufig gebrauchte Worte kein Unterscheidungsmerkmal. In den rgebnissen dieses eitrags wurde nach einigem usprobieren die untere Grenze auf 5 %, die obere auf 60 % gesetzt, d. h. nur Substantive, die mindestens in 5 % und höchstens in 60% aller logs mindestens zweimal vorkommen, wurden berücksichtigt. ie Menge der charakteristischen Worte bietet abschließend auch eine Schranke für die tatsächlich geclusterten logs, indem nur logs klassifiziert werden, die mindestens 10 % der charakteristischen Worte in ihrem aktuellen Feed aufweisen. Insgesamt konnten so 379 charakteristische Substantive identifiziert werden, so dass jedes log durch einen 379-dimensionaler Vektor repräsentiert wurde, der das Vorkommen eines jeden Wortes in diesem log enthält. ie dadurch aufgespannte Matrix bildet die atengrundlage für alle im Folgenden beschriebenen Verfahren. as ganze Verfahren wurde ohne spezielle Software innerhalb von zwei Wochen direkt in Python unter Rückgriff auf frei verfügbare ibliotheken programmiert. ls Vorbild diente hierbei Segaran (2007). amit zeigte sich schon sehr schön die Mächtigkeit und Verwendbarkeit heutiger Programmierumgebungen für solche ufgaben. Im ersten Schritt werden die logfeeds geparst und die Worthäufigkeitsmatrix in ein Flatfile geschrieben. lle lusterverfahren greifen darauf als einheitliche atenbasis 11

9 Wer bloggt was? zu und speichern ihre rgebnisse direkt als ild (endrogramm, loglandkarte) oder Textfile (k-means lustering). 3 rgebnisse und Interpretation In diesem bschnitt werden die rgebnisse des hierarchischen lusterns, der bwendung des k-means lusterverfahren und des lustern durch imensionsreduktion der Reihe nach vorgestellt und interpretiert. Zuvor wird noch ein lick auf die Qualität der erhobenen aten geworfen. 3.1 atenqualität ls erster Qualitätscheck wurde die Worthäufigkeitsmatrix untersucht. Hierbei zeigt sich, dass jedes log im Mittel 92, d. h. ca. 25%, der charakteristischen Substantive mindestens einmal enthält. iese esetzungsdichte ist jedoch nicht gleichmäßig verteilt, sondern schwankt mit einer Standardabweichung von 49,2 und damit einem Variationskoeffizienten von ca. 0,53. ies ist vermutlich auf die stark unterschiedliche Länge und der Themenbreite einzelner Feed zurückzuführen und sollte insbesondere bei einer detaillierten nalyse zwischen einzelnen logs berücksichtigt werden. Für eine allgemeine (Grob-)clusterung wie in diesem eitrag sollten sich dadurch keine großen Verzerrungen ergeben. ls nächstes wurden die logvektoren paarweise an Hand der istanzfunktion verglichen. Wünschenswert ist vor allem eine nicht zu kleine Standardabweichung bezüglich der istanzwerte eines Vektors zu den anderen. iese Schwankung dient als Zeichen dafür, dass die Inhalte unterschiedliche Ähnlichkeiten zu den übrigen aufweisen und somit geeignet geclustert werden können. Im vorliegenden Fall ergibt sich eine mittlere istanz zwischen den Vektoren von 0,929 (d. h. eine Korrelation von 0,071 nach Pearson) und eine mittlere Standardabweichung von 0,087. Letztere kann als ausreichend bezeichnet werden, d. h. die Verfahren sind grundsätzlich anwendbar, allerdings ist auch mit einigen Schwankungen bei zufallsbehafteten Verfahren zu rechnen. 3.2 Hierarchisches lustern bbildung 1.5 zeigt einen usschnitt aus dem endrogramm, welches aus dem rgebnis des hierarchischen Verfahrens erstellt wurde. abei handelt es sich offensichtlich um logs, die sich in ihren eiträgen fast ausschließlich oder überwiegend mit den Themen Web 2.0 und Internet auseinandersetzen. er thematische Zusammenhang dieses luster wird bereits anhand der Namen der angegebenen logs deutlich, die meistens direkten ezug zum Thema Web 2.0 aufweisen. er S-O-S SO log (SO=Search ngine Optimization) und der Google Watchblog (also ein log, der sich mit eben Google auseinandersetzt) stehen sich thematisch sehr nahe, während 12

10 Sebastian Schäfer, lexander Richter und Michael Koch bbildung 1.5: Web 2.0 und Internet luster der Neubiberglog und deutsche-startups den größten thematischen bstand innerhalb des lusters aufweisen. inen Hinweis auf die gute ussagekraft des Verfahrens ist zudem die gemeinsame Gruppierung der hauseigenen logs Kooperationssysteme (SM) und ommunixx, deren eiträge zu einem großen Teil vom selben utor verfasst wurden. bbildung 1.6 zeigt demgegenüber zwei kleinere luster. uf der linken Seite ist ein luster zu sehen, dessen zugehörige logs sich fast ausschließlich mit Software und Webdesign befassen. Nicht dazugehörig scheint der law blog. ine mögliche rklärung wäre, dass eine Vielzahl der erichte im law blog sich mit rechtlichen Fragen der Website-Gestaltung befassen. uf der rechten Seite befinden sich mehrere logs, die sich überwiegend mit Themen rund um pple Produkte, wie beispielsweise dem iphone und ipod befassen. bbildung 1.6: Software-/Webdesign- und pple-logcluster 13

11 Wer bloggt was? bbildung 1.7: er luster der logs mit allgemeinen Themen inen weiteren wesentlich umfangreicheren luster stellt eine Gruppe von logs dar, die über allgemeine Themen berichten (vgl. bbildung 1.7). In diesem sind auch logs vertreten, die zwar nach rfahrung der utoren - einen hohen nteil an eiträgen zum Web 2.0 haben ( PR logger, asic Thinking log ) aber offensichtlich in ihren eiträgen auch über weitläufigere/allgemeine Themen berichten. Interessant ist auch der Teil-luster Politik im unteren ereich, dessen thematischer Zusammenhang wiederum an der Namensgebung der logs sichtbar wird. uf eine arstellung des gesamten endrogramms über alle logs wurde hier aus Platzgründen verzichtet. lle Grafiken des eitrages stehen auf der Verlagsseite des uchs unter zum ownload bereit. 3.3 Wortcluster Wie oben beschrieben kann durch eine einfache rehung der Matrix um 90 Grad mit dem hierarchischen lusterverfahren auch eine Klassifizierung nach Worten erreicht werden. bbildung 1.8 zeigt einige usschnitte von zusammenhängend geclusterten 14

12 Sebastian Schäfer, lexander Richter und Michael Koch bbildung 1.8: inige eispiele der generierten Wortcluster Worten, die sich unseres rachtens nach erstaunlicherweise gut mit dem allgemeinen egriffsverständnis decken. ie Wortcluster geben schnell einen Überblick über aktuelle Themen und Zusammenhänge und lassen bei entsprechendem Hintergrundwissen bereits den kommentierten Sachverhalt erahnen. Neben den durchaus als sinnvoll einzustufenden lustern gibt es allerdings bedingt durch den starken imensionsunterschied (s. o.) auch einige eher sinnfreie luster, wie beispielsweise in bbildung 1.8 ganz rechts unten. 3.4 k-means lusterverfahren as k-means lusterverfahren wurde für verschiedene Größen zwischen 3 und 10 luster durchgeführt. Im Folgenden werden die rgebnisse für 6 und für 9 luster vorgestellt (vgl. Tabellen 1.1 und 1.2), da diese Größe in den urchläufen im llgemeinen eine gute Qualität aufweisen. ls Qualitätsmerkmal wurde, wie in den Tabellen angegeben, sowohl die mittlere istanz der lemente in einem luster als auch die durchschnittliche lustergröße verwendet. Wie erwartet, liegen die Werte überall deutlich unter dem oben angegebenen Gesamtdurchschnittswert von 0,929 mit usnahme des dritten lusters in Tabelle 1.1, hier sind wohl eher zufällig bedingt thematisch sehr unterschiedliche logs gruppiert worden. Insgesamt zeigen sich erwartungsgemäß ähnliche rgebnisse wie auch der hierarchischen lusteranalyse. luster 1 gruppiert sowohl die pple-affinen Inhalte als auch 15

13 Wer bloggt was? Tabelle 1.1: rgebnis einer k-means lusterung mit k = 6 luster luster 1 (10 items, ist. 0,841) luster 2 (5 items, ist. 0,712) luster 3 (5 items, ist. 0,940) luster 4 (24 items, ist. 0,892) luster 5 (24 items, ist. 0,879) luster 6 (8 items, ist. 0,722) log er Spiegelfechter, Irgendwas ist ja immer, Lupe, der Satire- log, Mac ssentials Newsfeed, Nerdcore, Parteibuch Ticker Feed, Politically Incorrect, fscklog, praegnanz.de, stereopoly NewsFeed ommunixx, Kooperationssysteme (SM), PR logger, Sprechblase, Web2Null onnectedmarketing.de, Lustige Videos, NachenkSeiten ie kritische Website, Politblog.net, law blog 1x umruehren bitte, estatter-weblog, as Kopfschuettel-log, er Shopblogger, xciting ommerce, F!XMR, F5, Gluehweinjunkies, Indiskretion hrensache, Lizas Welt, M Winkels welog, Medienrauschen, das Medienweblog, Riesenmaschine das brandneue Universum, SIXTUS.NT log, Spreeblick, Stefan Niggemeier, US rklaert, Webkrauts, annalist, blog.tagesschau.de, deutsche-startups.de, fudder neuigkeiten aus freiburg, medienlese.com, ravenhorst NRS denken, asic Thinking log, logs! uch log, logschrott.net Web 2.0 Yannick ckl, uchhaendleralltag und Kundenwahnsinn, er Schockwellenreiter (RSS-Feed), r. Web Weblog, lektrischer Reporter, Fischmarkt, GoogleWatchlog, Internetmarketing-News.de, Karriere-ibel, Neubiberglog, S- O-S SO log, Telagon Sichelputzer, UPLO, Wortfeld, agenturblog.de, imgriff.com, netzpolitik.org, off the record, pixelgraphix, ricdes dot com, zweinull.cc loggingtom, logwiese, Frank Helmschrott, Peruns Weblog, Software Guide, blog.yoda.ch, bueltge.de [by:ltge.de], 16

14 Sebastian Schäfer, lexander Richter und Michael Koch Tabelle 1.2: rgebnis einer k-means lusterung mit k = 9 luster luster 1 (21 items, ist. 0,893) luster 2 (3 items, ist. 0,766) luster 3 (4 items, ist. 0,523) luster 4 (4 items, ist. 0,843) luster 5 (15 items, ist. 0,815) luster 6 (5 items, ist. 0,656) luster 7 (14 items, ist. 0,833) luster 8 (5 items, ist. 0,859) luster 9 (5 items, ist 0,898) log 1x umruehren bitte, estatter-weblog, logschrott.net Web 2.0 Yannick ckl, uchhaendleralltag und Kundenwahnsinn, as Kopfschuettel-log, er Shopblogger, xciting ommerce, F!XMR, F5, Gluehweinjunkies, Indiskretion hrensache, Irgendwas ist ja immer, Lizas Welt, M Winkels we- log, SIXTUS.NT log, Spreeblick, Stefan Niggemeier, blog.tagesschau.de, imgriff.com, medienlese.com, netzpolitik.org Politblog.net, US rklaert, law blog Frank Helmschrott, Peruns Weblog, Software Guide, bueltge.de [by:ltge.de] er Schockwellenreiter (RSS-Feed), Lustige Videos, Parteibuch Ticker Feed, Webkrauts NRS denken, loggingtom, ommunixx, onnectedmarketing.de, lektrischer Reporter, Karriere-ibel, Kooperationssysteme (SM), PR logger, Sprechblase, UPLO, Web2Null, annalist, blog.yoda.ch, fudder neuigkeiten aus freiburg, Fischmarkt, Mac ssentials Newsfeed, fscklog, praegnanz.de, stereopoly NewsFeed asic Thinking log, logs! uch log, logwiese, r. Web Weblog, GoogleWatchlog, Internetmarketing-News.de, Neubiberglog, S-O-S SO log, Telagon Sichelputzer, Wortfeld, agenturblog.de, off the record, ricdes dot com, zweinull.cc er Spiegelfechter, Lupe, der Satire-log, NachenkSeiten ie kritische Website, Nerdcore, deutsche-startups.de Medienrauschen, das Medienweblog, Politically Incorrect, Riesenmaschine das brandneue Universum, pixelgraphix, ravenhorst 17

15 Wer bloggt was? einige kritisch/satirische Inhalte, wie sie auch im Gesamt-endrogramm beieinander stehen. luster 2 beinhaltet die typischen Web 2.0-logs. luster 3 weist wie oben bereits erwähnt eher weniger thematischen Zusammenhang auf. luster 4 ließe sich z.. mit Politik und llgemeines überschreiben. Ähnlich luster 5, wobei hier wohl eher der Web 2.0 Fokus verstärkt vorhanden ist. luster 6 zeigt wie oben logs, bei denen es sich thematisch vorwiegend um Software und loggen an sich dreht. ei neun lustern wird das Feld erwartungsgemäß weiter aufgeteilt und es ergeben sich vor allem auch Minicluster mit drei bis fünf lementen, die dann zumindest stellenweise eine äußerst niedrige istanz zueinander aufweisen. uffallend ist hier beispielsweise luster 3, der sich so in gleicher Weise auch in bbildung 1.6 (links) wieder findet. 3.5 lustern durch imensionsreduktion ls rgebnis dieses Verfahrens ergibt sich eine rt Landkarte des untersuchten usschnitts der deutschen logosphäre. Thematisch ähnliche logs stehen enger beieinander, unterschiedliche Themen eher weiter entfernt. Ferner finden sich im Zentrum eher allgemeine logs, die Ähnlichkeiten mit vielen anderen aufweisen und andererseits stehen logs zu Spezialthemen eher an den ußenbereichen. ie folgenden bbildungen zeigen einen usschnitt aus der Gesamtkarte der analysierten logs. uf eine vollständige arstellung wurde aus Platzgründen verzichtet. bbildung 1.9 zeigt ein eher an politischen Themen orientierten ereich mit den typischen Vertretern Politblog.net, US rklaert, Spiegelfechter etc. Weiter rechts davon (vgl. bbildung 1.10), d. h. im Zentrum der Karte finden sich eher die allgemeineren logs, mit einem breiten Fokus, die über aktuelles Tagesgeschehen berichten, wie beispielsweise imgriff, logwiese, Indiskretion hrensache etc. aran unmittelbar angrenzend beginnt noch weiter rechts der ezirk der eher technik- bzw. internetorientierten logs (vgl. bbildung 1.11). 4 Zusammenfassung und usblick ie angeführten rgebnisse verdeutlichen, wie sich mit Hilfe einfacher luster-verfahren verschiedene atenquellen im Internet an Hand ihrer Inhalte thematisch einteilen lassen. Konkret wurden typische Vertreter des Web 2.0 bzw. enutzergenerierten Inhalte in Form eines usschnitts der deutschen logosphäre untersucht und an Hand der verwendeten charakteristischen Substantive klassifiziert. ls Fazit lässt sich festhalten, dass die Verfahren ihre Tauglichkeit für die konkrete nwendung erfolgreich unter eweis stellen konnten und die rgebnisse im llgemeinen durchaus den rwartungen entsprechen. urch die Klassifizierung konnten beispielsweise typische Vertreter zu Themen rund um das Web 2.0 als auch einige eher am aktuellen Tagesgeschehen bzw. Politik orientierte logs identifiziert werden. arüber hinaus gibt es eine Reihe von Spezialthemen, die von einer kleineren Gruppe von logs vornehmlich behandelt werden. 18

16 Sebastian Schäfer, lexander Richter und Michael Koch bbildung 1.9: n politischen Themen orientierter ereich der log-landkarte bbildung 1.10: llgemeine, themenvielfältige logs im Zentrum der loglandkarte 19

17 Wer bloggt was? bbildung 1.11: er eher technik- und internetorientierte ezirk der loglandkarte uch wenn lustering naturgemäß eher eine sehr grobe und oberflächliche inteilung darstellt, zeigen die eingesetzten Verfahren, wie schnell ein Überblick gewonnen und thematische Zusammenhänge erkannt werden können. Zudem handelt es sich um einen Vertreter des unüberwachten Lernens (unsupervised learning), d. h. es sind keinerlei Vorab-Informationen für die inteilung notwendig. Mit entsprechender technologischer utomatisierung lässt sich quasi auf Knopfdruck innerhalb weniger Minuten ein aktueller bzug der interessierenden logs generieren und die entsprechenden lusterverfahren darauf anwenden. Neben einer Momentbetrachtung wie in diesem eitrag, werden so beispielsweise auch Zeitreihenbetrachtungen möglich und es offenbaren sich leichter aktuelle Trends oder Veränderungen. er nsatz bietet damit auch eine Möglichkeit, um unternehmensinterne loglandschaften zu beobachten, zu analysieren und aktuelle Trends zu erkennen. 20

18 Literaturverzeichnis Sebastian Schäfer, lexander Richter und Michael Koch ackhaus, K.,. richson und W. Plinke (2000). Multivariate nalysemethoden. erlin: Springer. Moosbrugger, H. und. Frank (1992). lusteranalytische Methoden. ern: Huber. Newman, M.. J. (2003). The Structure and Function of omplex Networks. SIM Review 45, Schmidt, J. (2008). Zu Form und estimmungsfaktoren weblogbasierter Netzwerke: as eispiel twoday.net. In. Stegbauer und M. Jäckel (Hrsg.), Formen der Kooperation in computerbasierten Netzwerken: eispiele aus dem ereich Social Software, Wiesbaden: VS-Verlag. Scott, J. (1991). Social Network nalysis: Handbook. London: Sage. Segaran, T. (2007). Programming ollective Intelligence. San Francisco: O Reilly. Surowiecki, J. (2005). The Wisdom of rowds Why the Many are Smarter than the Few. London: bacus. Wasserman, S. und K. Faust (1997). Social Network nalysis: Methods and pplications. ambridge: ambridge University Press. 21