Eine linguistisch-strukturelle Analyse von Angebotsbeschreibungen für Online-Einkaufsportale zur automatischen Klassifizierung und Informationsextraktion mittels Rekursiver Transitionsnetzwerke

Inhaltsverzeichnis 

0.  EINFÜHRUNG  1

  I THEORETISCHER HINTERGRUND  2

1.  MERKMALE DES KORPUS  2

2.  RELATA RELATOREN UND RELATIONEN  3

3.  DIE RELATOREN  4

3.1  Präpositionen  4

3.1.1  MIT  4

3.1.2  FÜR  5

3.1.3  OHNE  5

3.1.4  IN  6

3.1.5  ZU  6

3.1.6  AUS  7

3.1.7  VON  7

3.1.8  GEGEN  8

3.1.9  AUF  8

3.2  Präpositionalphrasen  8

3.2.1  Präposition Adjektiv  9

3.2.2  Präposition Substantiv  9

3.2.3  Präposition Verb  10

3.2.4  Präposition sonstige Wortarten  10

3.3  Konjunktionen  11

3.3.1  UND  11

3.3.2  ODER  11

3.4  Verben  12

3.5  Weitere wortbasierte Relatoren  12

3.6  Symbole  13

3.7  Beobachtungen und Probleme  13

4.  KLASSEN VON RELATOREN UND TYPOLOGIE DER RELATA  14

4.1  Relatorenklasse: MIT  15

4.1.1  Paradigmatische Realisierung  15

4.1.2  Syntagmatische Realisierung  15

4.1.3  Typologie des Nachfeldes  16

4.1.3.1  Konkreta  16

4.1.3.2  Abstrakta  17

4.2  Relatorenklasse: FÜR  18

4.2.1  Paradigmatische Realisierung  18

4.2.2  Syntagmatische Realisierung  19

4.2.3  Typologie des Nachfeldes  21

4.2.3.1  Konkreta  21

4.2.3.2  Abstrakta  22

4.3  Relatorenklasse: OHNE  23

4.3.1  Paradigmatische Realisierung  23

4.3.2  Syntagmatische Realisierung  23

4.3.3  Typologie des Nachfeldes  24

4.3.3.1  Konkreta  24

4.3.3.2  Abstrakta  25

5.  ZUSAMMENFASSUNG UND AUSBLICK  27

  II EINE BEISPIELANWENDUNG  28

1.  DER HINTERGRUND  28

1.1  Einbettung in die Prozeßarchitektur  28

1.2  Ansätze für die Konstruktion von IE Komponenten  28

2.  DAS WERKZEUG  30

3.  DIE RESSOURCEN  31

3.1  Das Korpus  31

3.1.1  Kennzeichen  31

3.1.2  Vorverarbeitung  32

3.1.2.1  Normalisierung  32

3.1.2.2  Tokenisierung  33

3.1.2.3  Lexikalisches Parsing  33

3.2  Die Lexika  34

3.3  Graphen  36

4.  HEURISTIK  38

4.1  Erstellung der Lexika  38

4.1.1  Arbeitsschritte  38

4.1.2  Übersicht über die Lexikondateien  39

4.1.2.1  Lexika der Relatoren  40

4.1.2.2  Lexika der generischen Konkreta  41

4.1.2.3  Lexika der Eigennamen (Marken und Modellnamen)  42

4.1.2.4  Lexika der Attribute  42

4.1.2.5  Lexika der Vertrags und Anbieterdaten  43

4.1.2.6  Sonstige Lexika  43

4.2  Erstellen der Lokalen Grammatiken  44

4.2.1  Abstrahieren von Schemata  44

4.2.2  Der Hauptgraph main.grf  44

4.2.3  Die Subgraphen auf der zweiten Ebene  45

4.2.3.1  Angebote mit Telefon Relator Vertragsbestandteil  46

4.2.3.2  Angebote mit Telefon Relator Vertragsbestandteil weiteres Element  46

4.2.4  Die Subgraphen auf der dritten Ebene  47

4.3  Anwenden der Grammatiken auf das Korpus  48

4.4  Nachbearbeitung des annotierten Korpus  49

5.  EVALUATION UND ZUSAMMENFASSUNG  50

5.1  Evaluation  50

5.1.1  Vollständigkeit  50

5.1.2  Präzision  50

5.1.3  Wahrheitsmatrix  50

5.1.4  Bewertung  51

5.2  Zusammenfassung  52

TABELLENVERZEICHNIS   53

  ABBILDUNGSVERZEICHNIS  54

  LITERATURVERZEICHNIS  55

   55

0.  Einführung 

  Das Einkaufen im Internet hat sich neben dem stationären Handel in den letzten Jahren zu  einer  tragenden  Säule  der  Wirtschaft  entwickelt.  Die  Menge  der  im  Internet  umgesetzten  Waren  hängt  jedoch  nicht  zuletzt  davon  ab,  ob  der  Verbraucher  einen  Anbieter  und  bei  diesem  das  für  ihn  passende  Produkt  findet.  Ohne  eine  umfassende  Klassifikation  von  Produkten  und  eine  ausgereifte  Suchtechnologie  ist  das  jedoch  kaum  möglich.  Großer  manueller  Aufwand  dafür  ist  natürlich  sehr  kostspielig.  Es  sollten  daher  Werkzeuge  entwickelt  werden,  die  durch  umfassende  Konfigurierbarkeit  und  Flexibilität  beim  Einsatz  helfen,  große  Mengen  von  Produkt‐  und  Angebotsdaten  weitestgehend  automatisch  zu  analysieren und klassifizieren bzw. parametrisieren.     Die vorliegende Untersuchung stellt einen Ansatz vor, der in einem solchen kommerziellen  Umfeld entstanden ist und eingesetzt wird. Im Bereich des elektronischen Handels findet er  Anwendung, um Prozesse der automatischen Verarbeitung von deutschsprachigen Produkt‐  und  Angebotsdaten  zu  unterstützen,  die  letztlich  das  Ziel  haben,  die  zentrale  Problematik  des Online‐Shoppings – das Suchen und Finden von Produkten – zu optimieren.    Die Idee ist dabei, linguistische Informationen – insbesondere lexikalische Daten und syntak‐ tische Strukturen – aus den Angebotstexten zu nutzen, um die darin beschriebenen Produkte  zu  klassifizieren.  Die  dafür  relevanten  Informationen  werden  mittels  Informationsextraktion  (IE) gewonnen und bearbeitet.    „Das Ziel der IE ist die Konstruktion von Systemen, die gezielt domänenspezifische  Informationen  aus  freien  Texten  aufspüren  und  strukturieren  können,  bei  gleichzeitigem  „Überlesen“  irrelevanter  Information.  IR‐Systeme  versuchen  keine  umfassende Analyse des gesamten Inhaltes aller Textdokumente, sondern sollen nur  die Textpassagen analysieren bzw. „verstehen“, die relevante Information beinhalten.  Was  als  relevant  gilt,  wird  dabei  durch  vordefinierte  domänenspezifische  Lexikon‐ einträge oder Regeln dem System fest vorgegeben.“  ¹     Es geht hier also vorrangig darum, bestimmte wiederkehrende und aussagekräftige Muster  zu  erkennen,  zu  formalisieren  und  durch  Abstraktion  auf  einen  Zusammenhang  zwischen  der  Struktur  des  Angebotstextes  und  der  Art  und  Zusammensetzung  des  konkreten  Ver‐ kaufsobjektes zu schließen.    Die Arbeit besteht daher aus zwei Teilen: einem theoretischen, linguistisch‐analytischen Ab‐ schnitt, in dem das Phänomen der sogenannten Relatoren zunächst ganz allgemein anhand  des  vorliegenden  Korpus  (Produkt‐  bzw.  Angebotsinformationen  aus  dem  Online‐Handel)  analysiert  wird,  und  einem  praktisch‐anwendungsorientierten  Abschnitt,  in  dem  die  Er‐ kenntnisse der linguistischen Untersuchung konkret für eine ausgewählte Produktkategorie  –  Telekommunikationsprodukte  –  und  mit  einem  Zweck  –  Erkennen  einer  Set‐Relation  –  umgesetzt werden.   

1 Carstensen, Kai‐Uwe et al. (Hrsg.): Computerlinguistik und Sprachtechnologie. Eine Einführung. Spektrum  Akademischer Verlag, Heidelberg 2001: S. 448. 

I.  Theoretischer Hintergrund 

  1.  Merkmale des Korpus    Das Korpus, das die Grundlage dieser Untersuchung bildet, zeichnet sich durch eine Reihe  von  prägnanten  Merkmalen  aus,  die  es  zum  einen  zwar  deutlich  von  üblichen  Korpora  unterscheiden  und  eine  besondere  Behandlung  erfordern,  zum  anderen  aber  auch  eine  interessante Analyse ermöglichen.     Das Korpus setzt sich aus kurzen Angebotsbeschreibungen zusammen, die Händler aus den  Eckdaten  der  Produkte  verfassen  und  die  dann  auf  Shopping‐Portalen  erscheinen.  Thematisch handelt es sich um Angebote aus allen Produktbereichen, von Computern über  Haushaltsgeräte bis hin zu Kleidung. Für die Untersuchung der Zusammensetzung und der  Struktur der Angebote wird jedoch von vornherein die Kategorie Medien ausgeschlossen, da  dort  das  Vorkommen  von  Eigennamen  und  festen  Titeln  die  Untersuchungsergebnisse  verzerren würde.    Auffälligstes Merkmal des Korpus ist, daß es sich nicht um Fließtext handelt. Die einzelnen  Angebotsbeschreibungen  bestehen  vielmehr  aus  einer  Aneinanderreihung  von  Produkt‐ informationen  zu  Textfragmenten  und  weisen  nur  eine  rudimentäre  Grammatik  auf.  Dies  mag vielerlei Gründe haben, insbesondere natürlich die Platzbegrenzung auf den Einkaufs‐ portalen, die die Händler zwingt, möglichst viele Informationen zu einem Angebot mit sehr  wenig Text zu vermitteln.     Der Text ist folglich stark segmentiert, als Analyseeinheit dienen voneinander unabhängige  Angebote,  die  jeweils  nur  eine  Zeile  umfassen.  Es  kommen  zudem  lediglich  bestimmte  offene und geschlossene Wortarten vor. Dies sind vor allem bedeutungstragende Wortarten,  wobei  der  Stil  ausgeprägt  nominal  ist,  d.h.  den  größten  Anteil  haben  Nomen  (Substantive,  Adjektive).  Verben  kommen  hingegen  nur  sporadisch  vor.  Von  den  funktionstragenden  Wortarten  treten  fast  ausschließlich  Präpositionen  auf.  Darüber  hinaus  enthält  das  Korpus  viele Sonderzeichen.    Insgesamt betrachtet ist das Korpus zwar einerseits sehr heterogen, z.B. in der Verwendung  von  Interpunktionszeichen,  da  die  Angebote  von  sehr  vielen  verschiedenen  Händlern  stammen  und  es  in  bezug  auf  Wortwahl,  Aufbau  und  Interpunktion  keine  vorgegebenen  Standards  gibt.  Andererseits  sind  die  Angebotstexte  eines  einzelnen  Händlers  sowohl  in  ihrer Struktur und in der Reihenfolge der Anordnung der einzelnen Bestandteile als auch in  der Verwendung von Interpunktionszeichen meist recht homogen.   

2.  Relata, Relatoren und Relationen 

  Auf  semantischer  Ebene  lassen  sich  die  Angebote  grob  als  einfache  (Beispiel:  Samsung SGH-E770) und komplexe Angebote (Beispiel: VK-Mobile VK 1010 mit T-Mobile D1 Telly Profi Vertrag)  klassifizieren.  Gegenstand  der  folgenden  Betrachtungen  sollen  ausschließlich komplexe Angebote sein. Komplex drückt dabei aus, daß sich ein Angebot aus  mehreren  Teilen,  d. h.  Produkten  wie  Geräten  o. ä.,  zusammensetzt.  Zwischen  diesen  ein‐ zelnen  Bestandteilen  besteht  ein  bestimmter  Typ  von  Relation,  z. B.  die  Zubehör‐Relation  oder  die  Set‐Relation.  Eine  „Zubehör‐Relation“  ist  beispielsweise  dadurch  gekennzeichnet,  daß Teil X und Teil Y zusammen auftreten, und Y als Zubehör für X fungiert. „Set‐Relation“  hingegen  sagt  aus,  daß  zwei  Teile  X  und  Y  zusammen  auftreten,  d. h.  im  Set  verkauft  werden.    Es  wird  nun  angenommen,  daß  sich  diese  semantischen  Relationen  auch  auf  syntag‐ matischer  Ebene  widerspiegeln.  Bei  komplexen  Angeboten  fällt  nämlich  auf,  daß  sich  der  Angebotstext  –  meist  anhand  bestimmter  Marker  –  in  verschiedene  Bereiche  (Felder)  gliedern  läßt  und  dadurch  schon  auf  den  ersten  Blick  gewisse  sich  wiederholende  elementare Strukturen erkennbar sind. Folgende Beispiele illustrieren dies:   

Tabelle 1: Beispiele für komplexe Angebote 

  Da  man  also  davon  ausgehen  kann,  daß  diese  Marker  die  zentrale  Rolle  für  die  Kenn‐ zeichnung  einer  Relation  und  die  Bestimmung  des  Relationstyps  spielen,  sind  sie  Gegenstand  der  Untersuchung  in  den  folgenden  Kapiteln  3  und  4.  Dabei  wird  auf  die  Gestalt,  die  Funktionen,  die  Gruppierungen,  aber  auch  den  Kontext  der  verschiedenen  Marker eingegangen.    Um  die  relationsbildende,  verknüpfende  Funktion  der  Marker  deutlicher  herauszustellen,  werden sie als Relatoren bezeichnet. „A relator is a lexical item whose function is to show the  relationship  between  its  surrounding  constructions.“  ²   Die  verknüpften  Elemente  werden  entsprechend  Relata  genannt.  Die  semantische  Relation  zwischen  Relata  kann  durch  ein  Prädikat ausgedrückt werden.   

2 http://www.sil.org/Linguistics/GlossaryOfLinguisticTerms/WhatIsARelator.htm [30.4.2006]

4      3.  Die Relatoren 

  Relatoren  können  vielerlei  Gestalt  annehmen.  In  diesem  Kapitel  wird  daher  ein  Überblick  über die verschiedenen Relatoren und ihre Ausprägungen gegeben, die im Korpus zu finden  sind. Angesichts des knappbemessenen Rahmens dieser Arbeit ist jedoch eine Beschränkung  auf repräsentative Beispiele notwendig.     

    3.1  Präpositionen    Die  Mehrzahl  der  Relatoren  gehört  der  Gruppe  der  Präpositionen  an,  die  traditionell  eine  verknüpfende Funktion besitzen.     Im  folgenden  werden  die  vorkommenden  präpositionalen  Relatoren  der  Übersicht  halber  tabellarisch  mit  ihren  verschiedenen  Oberflächenformen  vorgestellt  und  jeweils  mit  Bei‐ spielen aus dem Korpus illustriert.      3.1.1  MIT   

  Tabelle 2: Der Relator MIT    Beispiele aus dem Korpus:    (1) Prismenbrille mit Brillenetui (2) Braun Flex XPII 5775 mit Ladestation (3) Kinderschreibtisch mit Stuhl (4) Esprit Shirt mit 3/4-Ärmeln (5) HP Ausgabefach 3000 Bl m Hefteinrichtung f LJ 8XXX/N (6) Braune Langhaar Perücke m. Zöpfe

5      (7) Personenwaage Omega mit extra großen Ziffern (8) TV-Fernbedienung mit großen Tasten (9) Miele Bodendüse SBDH 285 mit integriertem Hygienesensor (10) Anhänger Delphin m.Katzenauge (11) Esprit T-Shirt mit Motivdruck     3.1.2  FÜR   

  Tabelle 3: Der Relator FÜR    Beispiele aus dem Korpus:    (1) Sonnenschutz Winnie the Pooh für Heckscheibe (2) Nokia DCC 1 Tischladestation für Nokia 7650 (3) HP Papierzuführung 250 Blatt für Color Laserjet 2550L (4) HP Beschichtungsleistensatz f ColorLJ (5) Holzkoffer für Arzneimittel (6) Siemens Staubsaugerbeutel für VS08 5 Stück Typ P (7) Jura Milchbehälter für F90/F50/E85/E80/E45 (8) HP MultiBay Li-Ion Akku Smart Battery System - fuer EVO N800c/v (9) Halbrundnapf für Papageien (10)Sony DCC-L1 Auto Ladegerät für das Laden von Li-Ionen Akkus     3.1.3  OHNE   

  Tabelle 4: Der Relator OHNE    Beispiele aus dem Korpus:    (1) Toilettenaufsatz de Lux 10 cm ohne Deckel (2) Ballstuhl ohne Armlehnen (3) Nokia 5140i orange Handy (ohne Vertrag)    

6     

3.1.4  IN 

  Tabelle 5: Der Relator IN    Beispiele aus dem Korpus:    (1) Esprit Langarm-Shirt im Doppelpack (2) Mädchen-Hemd mit Spagettiträgern im 2er-Pack (3) Trendiger Tischläufer im Streifendesign (4) Anleitung in Farbdruck zum Lo Pan des Westens (5) Edle Glasschalen in rot/gold (6) Skat in Postkartengröße (7) Fashy Aqua-Windel in Shortform (8) Duftkerzen in Geschenkebox (9) Brunnen Kugel in Schale Graphit/Marmor (10)LUXUS-NUMIS Album in Leder (11)Booster C™ - Vitamin C in seiner reinsten Form

  3.1.5  ZU   

  Tabelle 6: Der Relator ZU    Beispiele aus dem Korpus:    (1) Hudora Fußballtor und Torwand zum Setpreis (2) Logitech QuickCam Communicate Webcam zum Erfassen von Videos (3) JavaLean™ Kaffe zum Abnehmen oder der Diät (4) SanDisk ImageMate USB zum einlesen von MMC-Karte & SD-Karten (5) Software zum Thema "Symbole“ (6) Handbuch zu Qi-Gong-Kugeln    

7      3.1.6  AUS 

  Tabelle 7: Der Relator AUS    Beispiele aus dem Korpus:    (1) Isolierkanne aus Edelstahl (2) Kenwood Getreidemühle aus Vulkanstein A 1412 (3) Lichtleiste aus Kunststoff mit EVG (4) Klappbares Tablett und Lesepult aus Holz (5) Hinoki® Vitamin-E Konzentrat aus Pflanzen, 100 ml (6) Honig aus Neuseeland (7) Rotweinsortiment aus der Region Salento - Italien (4 Fl.) (8) Bee Pollen - echte natürliche Blütenpollen aus der Natur (9) Originalmünzen aus der Kaiserzeit     3.1.7  VON   

  Tabelle 8: Der Relator VON    Beispiele aus dem Korpus:    (1) Fenster-Ornaments, "Sonne" von Swarovski (2) SanDisk ImageMate USB zum einlesen von MMC-Karte & SD-Karten (3) ELO Office 5.0 Update von Version 4.x, deutsch (4) Belkin USB 2.0 DVD Creator zum Speichern, Bearbeiten und Versenden von Videos, inkl. DVD-Software Ulead (5) Seiko InkLink ermöglicht eine einfache Datenübertragung von Papier auf PCs, Notebooks (6) Macromedia Freehand MX UpDate WIN CD deutsch, von Version 10.x (7) Olympus Adapterstecker PA 3 von 3,5 auf 2,5 mm (8) HP Ultrium 215i intern, Kapazität von bis zu 200GB (9) TomTom Navigator 3 inkl. GPS-Receiver Karten von Deutschland, Österreich, Schweiz    

8      3.1.8  GEGEN 

  Tabelle 9: Der Relator GEGEN    Beispiele aus dem Korpus:    (1) Dr. Bermanís® Kosmetik Eye Treatment Mask gegen Augenringe     3.1.9  AUF   

  Tabelle 10: Der Relator AUF    Beispiele aus dem Korpus:    (1) Exklusiver Gehstock Alpacca auf echt Ebenholz (2) Schlafender Engel auf Vase (3) Vernebler "Rainbow" auf Alabaster-Säule (4) Acer Garantieverlängerung auf 3 Jahre (Advantage) (5) Olympus Adapterstecker PA 3 von 3,5 auf 2,5 mm       3.2  Präpositionalphrasen    Neben  den  genannten  allein  auftretenden  Präpositionen  können  Phrasen  mit  einem  präpositionalen  Kern  als  Relatoren  fungieren.  Dabei  gehören  zu  den  Oberflächenformen  natürlich außerdem die jeweiligen Schreibvarianten der präpositionalen Bestandteile.    Folgende Kombinationen von Wortarten sind beobachtet worden: 

9     

3.2.1  Präposition – Adjektiv 

  Tabelle 11: Kombinationen aus Präposition und Adjektiv    Beispiele aus dem Korpus:    (1) HP Beschichtungsleistensatz für ColorJet 5/5M nur mit C3969A verwendbar (2) PhytoPath® - Der Schutz vor freien Radikalen - ideal für Raucher (3) ChloroPlasma® - Die bessere Spirulina Alge - Für alle Vegetarier ideal - Die Eiweiß Versorgung! (4) Power Burn™ - Fett verbrennen kann so leicht sein. Perfekt für Ihre Diät - Abnehmen     3.2.2  Präposition – Substantiv    Hierbei  handelt  es  sich  meist  um  Nominalisierungen,  also  deverbale  Substantive  wie  bei‐ spielsweise Erfassen, Anschluß u. ä.     Das  Erstellen  eines  Lexikons  mit  Konstruktionen  dieser  Art  –  Kombinationen  aus  Prä‐ positionen  und  Substantiven  sowie  gelegentlich  attributiven  Adjektiven  –  unterstützt  die  Erkennung von Relationen auch über das Vorkommen einzelner Relatoren hinaus.     

  Tabelle 12: Kombinationen aus Präposition und Substantiv