Text Mining

Inhaltsverzeichnis

Inhaltsverzeichnis

II. Abbildungsverzeichnis III

III. Tabellenverzeichnis IV

IV. Abkürzungsverzeichnis V

1 Einleitung 1

2 Hauptteil 1

2.1 Grundlagen 1

2.1.1 Einordnung Text Mining

2.1.2 Abgrenzung zu Information Retrieval Systems

2.1.3 Grundlagen der Bedeutungsanalyse

2.2 Prozess des Text Mining

2.2.1 Textdatenbanken

2.2.2 Maschinelle Sprachverarbeitung

2.2.2.1 Bedeutungsanalyse

2.2.2.2 Sprachstatistik

2.2.3 Wissensgenerierung

2.2.3.1 Dokumentsuche mit Suchmaschinen

2.2.3.2 Dokumentordnung: Klassifizierung und Segmentierung

2.2.3.3 Wissen extrahieren: Visualisierung und Data Mining Methoden

2.3 Praktisches Beispiel 11

2.4 Ausblick 12

3 Zusammenfassung 13

V. Literaturverzeichnis

Inhaltsverzeichnis

II. Abbildungsverzeichnis

Abbildung 1: Kookkurrenz 3

Abbildung 2: Zusammenhang Fach- und Allgemeinsprache

Abbildung 3: Technischer Prozess des Text Mining

Abbildung 4: Suche im Text Mining

Abbildung 5: Klassifizierung im Text Mining

Abbildung 6: Segmentierung im Text Mining

Abbildung 7: Beispiel Visualisierung im Text Mining 10

Abbildung 8: Data Mining Methoden im Text Mining 10

Tabellenverzeichnis

III. Tabellenverzeichnis

Tabelle 1: Zusammenhang Data und Text Mining 2

Tabelle 2: Term-Dokument-Matrix 7

Text Mining

IV. Abkürzungsverzeichnis

CRM Customer Relationship Management

POS Part-of-Speech-Tagging

IT Information Technology

Text Mining

1 Einleitung

Text Mining wird zur Suche und Ordnung von Dokumenten benötigt. Außerdem kann Wissen aus den Texten gewonnen werden. Für diese drei Ergebnisse des Text Mining bestehen zahl- reiche Einsatzmöglichkeiten in Unternehmen. Da im Customer-Relationship-Management (CRM) viele Informationen über Texte ausgetauscht werden, kann Text Mining dort gut ver- wendet werden.

Um einen Einblick in das Thema zu bekommen, soll zuerst eine Einordnungen des Text Mi- ning betrachtet werden. Grundlegend werden im ersten Teil auch einzelne Begriffe erläutert, ähnliche Verfahren abgrenzt, sowie eine Übersicht für sprachliche Problemfälle gegeben.

Anschließend wird der Prozess des Text Mining erläutert, die Erläuterung erfolgt entlang der Prozesskette. So wird erst die Textdatenbank, dann die maschinelle Sprachverarbeitung und abschließend die Wissensgenerierung jeweils als Prozesselement vorgestellt.

Um die Theorie abzurunden, soll ein Ausblick der Entwicklung des Text Mining, sowie ein praktisches Beispiel der Firma Media-Saturn gegeben werden.

Zuletzt werden nochmal die Kernthesen zusammengefasst.

2 Hauptteil

Grundlagen

2.1

2.1.1 Einordnung Text Mining

Im CRM bilden Data und Text Mining gute Hilfestellungen an, um die Masse der vorhande- nen Daten verwalten zu können.

Zentrale Zielsetzung ist dabei die Generierung von Wissen, dass im CRM-Kontext oder auch in anderen Bereichen des Unternehmens gewinnbringend eingesetzt werden kann (Heyer et al. 2006, S. 2). Im CRM ist Wissen im Bereich der Business Intelligence angesiedelt, es soll nicht direkt dem Kundenkontakt dienen. Zugriff auf die generierten Daten ist vor allem vom Back Office, Front Office, sowie der operativen IT vorgesehen.

Die Begriffe Daten, Information und Wissen sind grundlegend für das Text Mining. Daten sind in den Unternehmensdatenbanken vorhanden. Information ist eine Auskunft, die, um eine handlungsrelevante Entscheidung zu treffen, erst zu Wissen aufbereitet werden muss (Hein- rich 1992, S.7).

Data und Text Mining setzen auf ähnliche Verfahren. Der hauptsächliche Unterschied: Text Mining untersucht im Gegensatz zu Data Mining unstrukturierte Daten, also Texte und keine Zahlen.

1