Digitale Umsetzung und Nutzung archäologischer Terminologien

Transkript

1 50 Jahre Prähistorische Bronzefunde. Bilanz und Perspektiven (PBF Kolloquium) Sep 24 26, 2014, Akademie der Wissenschaften und Literatur, Mainz Digitale Umsetzung und Nutzung archäologischer Terminologien Christian Chiarcos Applied Computational Linguistics Lab 1

2 Archäologische Terminologien Hintergrund Modellierung von Terminologien Verknüpfung von Terminologien Verknüpfung von Terminologien und Textinformation Anfragen und Visualisierungen Beispiele Zeitliche Einordnung undatierter Kulturstufen Räumliche Einordnung unbekannter Orte

3 Hintergrund Angewandte Computerlinguistik Frankfurt Semantische Technologien Digital Humanities LOEWE-Schwerpunkt , BMBF- Schwerpunkt ab 2015 Kooperationen mit ausgewählten Geistesund Sozialwissenschaften, u.a. Historische und vergleichende Sprachwissenschaft Archäologie Altorientalistik (Keilschriftphilologien)

4 Angewandte Computerlinguistik Natural Language Processing (NLP) Verarbeitung natürlicher Sprache Technologien, um natürliche Sprache zu repräsentieren, zu analysieren und maschinell verarbeitbar zu machen Datenrepräsentation, NLP-Analyse, Datenbanktechnologien Technische Grundlagen sind statistische Verfahren und semantische Technologien

5 Angewandte Computerlinguistik Natural Language Processing (NLP) Verarbeitung natürlicher Sprache Technologien, um natürliche Sprache zu repräsentieren, zu analysieren und maschinell verarbeitbar zu machen Datenrepräsentation, NLP-Analyse, Datenbanktechnologien Technische Grundlagen sind statistische Verfahren und semantische Technologien

6 Modellierung von Terminologien Grundlage jedweder technischen Verarbeitung von domänenspezifischen Daten/Texten ist die Erfassung der Terminologie maschinenlesbar formale Repräsentation Datenbanken und Anfragesprache => Resource Description Framework (RDF) * alles möglichst untechnisch erklärt, keine Scheu vor Rückfragen bitte

7 Resource Description Framework (RDF) intern eine einfache Datenstruktur: Graph Knoten ( Ressourcen ) irgendetwas, über das wir eine Aussage treffen wollen Kanten ( Properties ) ordnet einem Subjekt -Knoten einen Objekt - Knoten oder einen Wert (Literal) zu Knoten und Kanten werden durch eindeutige Identifikatoren bezeichnet Uniform Resource Identifiers (URIs), z.b. URLs

8 RDF bronstijd rdf:type period. bronstijd rdf:type period (das Konzept) bronstijd ist eine (Instanz vom Konzept) period

9 RDF bronstijd rdf:type period. bronstijd rdf:type period kurz für die URI < kann man im Browser öffnen, dann erhält man eine Beschreibung

10 RDF bronstijd rdf:type period. bronstijd skos:preflabel bronstijd rdf:type skos:preflabel period (das Konzept) bronstijd heißt auf Deutsch (de) bevorzugt Bronzezeit

11 RDF bronstijd rdf:type period. bronstijd skos:preflabel bronstijd skos:preflabel "bronze bronstijd rdf:type period skos:preflabel skos:preflabel bronze (das Konzept) bronstijd heißt auf Englisch (en) bevorzugt bronze age

12 RDF bronstijd rdf:type period. bronstijd skos:preflabel bronstijd skos:preflabel "bronze bronstijd skos:preflabel bronstijd rdf:type period skos:preflabel skos:preflabel skos:preflabel bronze (das Konzept) bronstijd heißt auf Niederländisch (nl) bevorzugt bronstijd

13 RDF bronstijd rdf:type period. bronstijd skos:preflabel bronstijd skos:preflabel "bronze bronstijd skos:preflabel Tripel- Notation bronstijd rdf:type period graphische Notation skos:preflabel skos:preflabel skos:preflabel bronze

14 RDF RDF Graphen bilden beliebig komplexe Strukturen ab und können frei mit weiteren Knoten/Verweisen erweitert werden arch_concept bronstijd rdf:type period rdfs:subclassof skos:preflabel skos:preflabel skos:preflabel bronze (jede) period ist ein arch_concept period ist Subklasse von arch_concept

15 RDF-Vokabulare Vordefinierte Vokabulare gestatten, bestimmte Arten von Informationen einheitlich zu repräsentieren arch_concept bronstijd rdf:type period rdfs:subclassof skos:preflabel skos:preflabel skos:preflabel RDF und RDF Schema (RDFS) Grundvokabular für Taxonomien bronze

16 RDF-Vokabulare Vordefinierte Vokabulare gestatten, bestimmte Arten von Informationen einheitlich zu repräsentieren Weitere Vokabulare (SKOS, OWL, etc.) erweiterte Vokabulare fürtaxonomien bronstijd rdf:type period arch_concept rdfs:subclassof skos:preflabel skos:preflabel skos:preflabel bronze

17 RDF-Vokabulare Vordefinierte Vokabulare gestatten, bestimmte Arten von Informationen einheitlich zu repräsentieren Eigene können frei definiert werden arch_concept bronstijd rdf:type period rdfs:subclassof skos:preflabel skos:preflabel Thesaurus Minimales bronze Spiel -Vokabular für die Archäologie

18 RDF-Vokabulare Es gibt graphische Browser und Editoren, z.b. kos-play (SKOS) d.edu/ (RDF, OWL, SKOS)

19 RDF-Vokabulare Es gibt graphische Browser und Editoren und natürlich auch Datenbanken, standardisierte Anfragesprache, Programmierschnittstellen (APIs), usw.

20 Verknüpfung von Terminologien mit RDF Ressourcen und Kanten werden (z.b.) durch URLs definiert Können von einem anderen Standort aus ausgelesen werden Wiederbenutzung von Vokabularen anstatt eigene Terminologie zu definieren, ergänzen wir Verweise auf externe/zentrale Terminologien Linked Open Data Cloud (LOD) (v.a.) terminologische Ressourcen, die frei verfügbar und miteinander verknüpft sind

21 Linked Open Data cloud (2011) Source

22 Linked Open Data cloud GeoNames geographische Bezeichnungen und Koordinaten, multilingual und frei verfügbar

23 Linked Open Data cloud GeoNames DBpedia, YAGO, OpenCyc, FreeBase Weltwissen

24 Linked Open Data cloud GeoNames DBpedia, YAGO, OpenCyc, FreeBase WordNet, Cornetto, FrameNet, lemonuby, OpenData Thesaurus, Wiktionary lexikalisches Wissen

25 Linked Open Data cloud GeoNames DBpedia, YAGO, OpenCyc, FreeBase WordNet, Cornetto, FrameNet, lemonuby, OpenData Thesaurus, Wiktionary DNB, Bibsonomy bibliographische Daten

26 Linked Open Data cloud GeoNames DBpedia, YAGO, OpenCyc, FreeBase WordNet, Cornetto, FrameNet, lemonuby, OpenData Thesaurus, Wiktionary DNB, Bibsonomy The British Museum Collection, Swedish Open Cultural Heritage, Europeana museale Metadaten (CIDOC/CRM)

27 Verknüpfung von Terminologien GeoNames DBpedia, YAGO, OpenCyc, FreeBase WordNet, Cornetto, FrameNet, lemonuby, OpenData Thesaurus, Wiktionary DNB, Bibsonomy The British Museum Collection, Swedish Open Cultural Heritage, Europeana Daten sind oftmals redundant => explizite Verknüpfung mit Hilfe der RDF-Property owl:sameas So können getrennt entwickelte Terminologien aufeinander bezogen werden => Auch ein Modell für politisch unabhängige, aber thematisch überlappende Forschergemeinden

28 Textverknüpfung Setzt natürlich eine maschinenlesbare Repräsentation des Textes voraus Open Information Extraction, Machine Reading, Natural Language Understanding klassische Aufgabe der Computerlinguistik (NLP) Details auf Anfrage Durch NLP-Analyse können aus Text RDF- Daten extrahiert werden Datenbank, Verknüpfung mit RDF-Terminologien, Anfrage und Informationsaggregation

29 Textverknüpfung NLP-Analyse Eingabe PDF Extrahiere Text Semantische Analyse (derzeit nur Englisch) Anreicherung mit Hintergrundinformation Datenbank, Visualisierung, Suche Demo auf Wunsch am Ende der Tagung

30 Linking mit Vokabularen (Hintergrundinformation) lexikalisch-semantische Ressourcen Generalisierung über Synonyme minimale archäologische Terminologie Befunde (features) und Perioden z.b. Filterung und Visualisierung von Teilergebnissen Ontologie archäologischer Kulturen extrahiert aus der russischen Wikipedia* z.b. indirekte Datierung unbekannter Kulturstufen Geoinformationen / GIS GeoNames Demo auf Wunsch im Anschluss Demo auf Wunsch im Anschluss z.b. indirekte Lokalisierung nicht auflösbarer Ortsbezeichnet * muss für ernsthafte Experimente natürlich revidiert werden

31 Linking mit Vokabularen (Hintergrundinformation) lexikalisch-semantische Ressourcen Generalisierung über Synonyme minimale archäologische Terminologie Befunde (features) und Perioden z.b. Filterung und Visualisierung von Teilergebnissen Ontologie archäologischer Kulturen extrahiert aus der russischen Wikipedia* z.b. indirekte Datierung unbekannter Kulturstufen Geoinformationen / GIS GeoNames Demo auf Wunsch im Anschluss Demo auf Wunsch im Anschluss z.b. indirekte Lokalisierung nicht auflösbarer Ortsbezeichner * muss für ernsthafte Experimente natürlich revidiert werden

32 Filterung nach und Visualisierung von Perioden autom. Filterung nach Perioden gem. arch. Thesaurus Visualisierung aller Labels und aller Konzepte in direktem Zusammenhang mit diesen Konzept Eisenzeit Konzept Bronzezeit Konzept Periode Albrecht Jockenhövel (2013), Germany in the Bronze Age, In: The Oxford Handbook of the European Bronze Age (Kap. 40), S

33 Petr Novak (2011), Die Dolche in Tschechien. PBF VI/13, S. 12 Zeitliche Einordnung unbekannter Kulturstufen Diesen Dolchtyp gliederte M. Novotna aus der ursprünglich zusammengefaßten Gruppe massiver Kupferformen aus, die in den Horizont Jevišovice C 2-Retz-Křepice-Bajč I-Balaton II/III datiert wurden. Aus dem Text heraus nicht auflösbar

34 Zeitliche Einordnung unbekannter Kulturstufen Diesen Dolchtyp gliederte M. Novotna aus der ursprünglich zusammengefaßten Gruppe massiver Kupferformen aus, die in den Horizont Jevišovice C 2-Retz-Křepice-Bajč I-Balaton II/III datiert wurden. Literatursuche online 3 Ergebnisse, alles Tschechisch

35 Zeitliche Einordnung unbekannter Kulturstufen Diesen Dolchtyp gliederte M. Novotna aus der ursprünglich zusammengefaßten Gruppe massiver Kupferformen aus, die in den Horizont Jevišovice C 2-Retz-Křepice-Bajč I-Balaton II/III datiert wurden. Lösungsansatz Automatische Kontextanalyse des PBF-Textes => indirekte Datierung Literatursuche online 3 Ergebnisse, alles Tschechisch

36 Kontextanalyse (Belegsätze) Dieser Horizont entspricht der III. Stufe der Trichterbecherkultur, den Horizonten Retz- Křepice-Bajč I und Balaton II / III. Die ältesten Dolche werden seiner II. bzw. dem Anfang seiner III. Stufe (älteres/mittleres Äneolithikum) zugewiesen, einer Zeitspanne entsprechend der ausklingenden Lengyel-Kultur und des wachsenden Einflusses des Bajč-Retz- Křepice-Horizontes. Petr Novak (2011), Die Dolche in Tschechien (Prähistorische Bronzefunde (PBF VI/13)

37 Kollokationen + Hintergrundwissen Annahme: Was im gleichen Satz steht, steht in zeitlichem Zusammenhang => Überlappungswahrscheinlichkeit 0,0009 0,0008 0,0007 0,0006 0,0005 0,0004 0,0003 0,0002 0, Trichterbecherkultur Lengyel Datierung bekannt aus Kultur-Ontologie aus der russischen Wikipedia

38 Überlappungswahrscheinlichkeit Annahme: Was im gleichen Satz steht, steht in zeitlichem Zusammenhang => Überlappungswahrscheinlichkeit 0,0008 0,0007 0,0006 0,0005 Mittel 0,0004 0,0003 Mittel 0,0002 0,0001 0

39 Normalisierte Verteilung Annahme: Was im gleichen Satz steht, steht in zeitlichem Zusammenhang => approximative Datierung ,0009 μ = ,0008 0,0007 0,0006 0,0005 0,0004 0,0003 μ + σ = 4237 μ σ = 3263 Mittel Normalverteilt 0,0002 0,0001 0

40 Explizite und implizite Geoinformation Verknüpfe alle Konzepte, die durch die NLP-Analyse als Ortsbezeichnungen erkannt werden, mit Geo-Information in RDF Visualisiere den geographischen Schwerpunkt einer Publikation Lokalisiere unbekannte/uneindeutige Ortsbezeichnungen durch Bezug auf diesen Schwerpunkt

41 Lokalisierung eines Papiers Lokalisierung von Ortsnamen Lokalisierungsinferenz analog zur Zeitachse als Generalisierung über Koordinaten lokalisierbarer Orte Sönke Hartz (2008), From pointed bottom to round and flat bottom tracking early pottery from Schleswig-Holstein

42 Geoinformation Vergleich identifizierbarer (und inferierbarer) Orte im Text mit Verbreitungskarte (Hartz 2008)

43 Aussichten für die PBF Digitalisierung der Editionen gestattet Katalogdaten in einer Datenbank zu erfassen und abzufragen Textdaten zu analysieren und mit Hintergrundwissen (Geoinformation, Terminologien) anzureichern und über eine Datenbank zu erschließen Informationen aus beiden (und weiteren) Quellen flexibel zu integrieren und zu erschließen semantische Suche (Demo auf Wunsch)

44 Aussichten für PBF Informationsaggregation, z.b. Begriffsklärung Datierungsinferenz approximative Lokalisierung unbekannter Orte Geo-Inferenz automatische Zusammenführung vergleichbarer Funde aus internationalen Publikationen mehrere PBF-Bände externe (!) Datenbanken dynamische Kartengenerierung

45 Voraussetzungen erfolgreiche Informationsaggregation erfordert umfangreiche Datengrundlage (Text, Katalog) saubere Quelldaten (möglichst kein OCR) möglichst weit ausgearbeitete Terminologien Engineering geeignete Hardware skalierbare Datenbank-Implementierung multilinguale NLP Anpassung an Domänenspezifika

46 Warum PBF? Recht einheitliche Struktur Extraktion kann darauf optimiert und so verbessert werden Umfangreicher und repräsentativer Datenbestand andere Arbeiten können sich anlagern, auch wenn ihre Terminologie abweicht Weitreichende Abdeckung Jahrzehntelange Reflexion durch die wiss. Gemeinde

47 Vielen Dank für Einladung, Aufmerksamkeit und Interesse Insbesondere an Ute Dietz, Susanne Sievers und Albrecht Jockenhövel für die Bereitstellung digitaler Texte

48 Vielen Dank & Vertiefung Terminologie- Management Appendix Demo matik.unifrankfurt.de/tmws/ englisch-sprachige PDF-Dokumente

49 Terminologie-Management Taxonomie => Ontologie Web Ontology Language hierarchische Strukturen arch_concept period rdfs:subclassof bronstijd rdf:type

50 Terminologie-Management Taxonomie => Ontologie Web Ontology Language hierarchische Strukturen relationale Strukturen auch zwischen Vokabularen bronstijd rdf:type period owl:sameas arch_concept rdfs:subclassof dbpedia: Bronzezeit

51 Terminologie-Management Taxonomie => Ontologie Web Ontology Language hierarchische Strukturen relationale Strukturen skalierbare Granularität bronstijd dbpedia: Frühe_Bronzezeit rdf:type period owl:sameas dbpedia-owl: wikipagewikilink arch_concept rdfs:subclassof dbpedia: Bronzezeit

52 Terminologie-Management Taxonomie => Ontologie Web Ontology Language hierarchische Strukturen relationale Strukturen skalierbare Granularität Merkmalsbasierte Definition Axiome, die Merkmale auf Taxonomien abbilden

53 Terminologie-Management Taxonomie => Ontologie Web Ontology Language hierarchische Strukturen relationale Strukturen skalierbare Granularität Merkmalsbasierte Definition Axiome DolcPredmosti Kupferdolc exactly 1 Klinge lang triangulär exactly 1 (Griffzunge bandförmig Randleistenverstärkung ) Novak 2011