|

|

Projektbeschreibung

Bei wachsendem Bedarf nach Informationen wird es mit gleichzeitig steigender Informationsflut immer schwieriger, im World Wide Web (WWW) passende Informationen zu vorgegebenen Fragen zu finden. Es wird immer wichtiger, präzise Antworten auf Fragen zu liefern, statt einem Nutzer Sammlungen von Links oder ganze Web-Seiten zum Weiterlesen anzubieten. Es geht verkürzt gesagt darum, relevante kurze Antworten an Stelle ganzer Web-Seiten zu liefern. Hierzu sind sowohl Methoden des traditionellen Information Retrieval (IR) als auch des Sprachverstehens, d.h. der Künstlichen Intelligenz (KI) und der Computerlinguistik, einzusetzen und miteinander zu verbinden. Das Semantic Web (SW) ist eine Erweiterung des heute existierenden WWW mit dem Ziel, Information eine Bedeutung zu geben, um eine bessere Mensch-Maschine-Kommunikation zu ermöglichen. Die derzeit unter diesem Stichwort untersuchten Methoden sind dennoch nicht ausreichend. Im Semantic Web wird der Inhalt von Informationsressourcen nicht hinreichend genau repräsentiert, um eine präzise logische Fragebeantwortung zu ermöglichen. Es fehlt eine automatische semantische Annotation von Web-Seiten mit vollen Bedeutungsstrukturen, die Voraussetzung für eine erfolgreiche Anwendung der Semantic Web-Technologie ist.

Als wichtige Grundlage zur Lösung dieses Problems wird deshalb die automatische Annotation von Informationsresourcen im WWW mit vollen Bedeutungsstrukturen und die Fragebeantwortung mit Hilfe von logischen Inferenzen betrachtet (so genanntes ESW - Enhanced Semantic Web). Der Einsatz dieser Technologie geht über das einfache Semantic Web hinaus, das im wesentlichen auf einer ontologiegestützten Suche beruht, während das ESW ein volles Sprachverstehen anstrebt. Das ESW stellt gewissermaßen ein Semantic Web der zweiten Generation dar.

Im Projekt sollen Methoden entwickelt werden, die Verfahren aus dem IR mit Ansätzen zum semantischen Retrieval und zur logischen Fragebeantwortung kombinieren. Die semantischen Annotationen von Web-Seiten werden dabei aus einer tiefen Inhaltsanalyse gewonnen und dienen als Basis für intelligente Suchverfahren. Als Ergebnis wird ein Frage-Antwort-System (FAS) auf der Basis einer formalen Wissensrepräsentation entwickelt, in der die neu entwickelten Methoden für die Suche im Web eingesetzt werden (IRSAW -- Intelligent Information Retrieval on the Basis of a Semantically Annotated Web). Nach einer Evaluation dieses FAS wird es zusammen mit einem Dienst zur semantischen Annotation von Web-Seiten als Web-Service bereit gestellt.

Ziele des Projektes

Das Projekt dient der Untersuchung und Entwicklung von Verfahren, die Methoden des traditionellen IR mit Verfahren der inferentiellen Fragebeantwortung aus der KI zu einer inhaltsorientierten Suche kombinieren. Insbesondere geht es in dem hier beantragten Projekt darum, die im Bereich Natürlichsprachlicher Interfaces für Internet-Datenbanken (NLI-Z39.50) und im Bereich Frage-Antwort-Systeme (InSicht) entwickelten und erfolgreich eingesetzten Verfahren miteinander zu kombinieren und für ein Erweitertes Semantisches Web nutzbar zu machen.

Ein reiner IR-Ansatz zur Fragebeantwortung (Verfahren A) würde Texte in Segmente unterteilen und eine Kandidatenmenge der Segmente bestimmen, die möglicherweise die Antwort enthalten. Bei der Informationsextraktion werden die Segmente nach einem Relevanzkriterium bzgl. der Frage angeordnet und als Antwort ein Textsegment ausgewählt. Die Herausforderung besteht bei diesem Ansatz in der Bestimmung der Textsegmente zur Fragebeantwortung und in der Bestimmung ihrer Größe bzw. in der Bestimmung der Indexierungsterme.

Ein traditioneller NLP-Ansatz (Verfahren B) besteht in einem reinen Matching (Abgleich) der semantischen Repräsentation von Textabschnitten und der semantischen Repräsentation der Frage. Die Herausforderung hierbei liegt darin, Parsen, Interpretation und Matching von Frage und Dokumenten auf einer großen Dokumentmenge hinreichend effizient für praktische Anwendungen durchzuführen.

Durch die Kombination der Verfahren A und B sind im Hinblick auf Standard-Evaluationsgrößen wie Präzision und Recall deutliche Vorteile gegenüber der Anwendung der einzelnen Verfahren zu erwarten, wobei gleichzeitig die geringere Effizienz von Verfahren B verbessert wird.

Die inhalts- und logikorientierte Suche in der Kombination der Verfahren stützt sich auf eine semantische Annotation von Informationsressourcen. Dafür soll ein Verfahren entwickelt werden, das den Inhalt von Web-Seiten einer tiefen semantischen Analyse unterzieht und eine semantische Repräsentation der Web-Seite in Form von MultiNet-Strukturen erzeugt. Für die Evaluation dieser Annotation muß ein Testumgebung entwickelt werden, mit der die Qualität der Annotation untersucht werden kann.

Architektur und Anfrageverarbeitung

Architektur von IRSAW zur intelligenten Suche im WWW. Die Pfeile geben die Richtung des Datenflusses an. Gestrichelte Pfeile kennzeichnen eine mögliche parallele Verarbeitung.

Für die Fragebeantwortung sehen wir ein mehrstufiges Verfahren vor. Obige Abbildung zeigt die Gesamtarchitektur des im Projekt zu entwickelnden Informationsrechereche- und Annotationssystems IRSAW. Die Anfrageverarbeitung verläuft wie folgt:

1. Der Nutzer gibt seine natürlichsprachliche Frage in ein Interface (Client) ein, das die Sprachanalyse für diese Frage initiiert.
2. Die Sprachanalyse wird mit Hilfe des WOCADI-Parsers unter Einbeziehung von HaGenLex durchgeführt und erzeugt die semantische Repräsentation der Nutzerfrage (MultiNet-Frage). Die MultiNet-Frage wird semantisch erweitert (z. B. unter Ausnutzung von Synonymen, Hyponymien und Meronymien zwischen Konzepten) und an das IR-Interface übergeben.
3. Das IR-Interface stellt die Schnittstelle zum Web dar und erzeugt aus der semantischen Repräsentation der Frage eine Anfrage für die IR-Verfahren. Diese Anfrage wird an Suchmaschinen und Suchportale geschickt.
4. Die Suchmaschinen und Suchportale im Web nehmen die IR-Anfrage entgegen und antworten mit einer Gesamtheit von Web-Seiten (bzw. Links, die auf diese verweisen).
5. Die Web-Seiten werden in einer Ergebnismenge zusammengeführt und für eine lokale Datenbank aufbereitet. Aufgaben der Aufbereitung sind z. B. das Erkennen und die Elimination von Duplikaten, die Trennung von Metadaten und Dokumentinhalt, die Entfernung von Auszeichnungselementen für das Layout (HTML-Tags), etc. Die Texte werden dann mit Hilfe der übrigen strukturellen Elemente segmentiert, d. h. in einzelne Sätze, Absätze, Textpassagen oder u. U. in Textfenster gleicher Größe unterteilt. Die aufbereiteten Textsegmente werden einer lokalen IR-Datenbank zugeführt.
6. Die lokale IR-Datenbank indexiert die aufbereiteten Textsegmente und bestimmt mit der IR-Anfrage eine Menge von Segmenten, die potenziell Antworten enthalten. In diesem mehrstufigen Verfahren bietet es sich an, die an dieser Stelle mögliche Parallelität auszunutzen. Das bedeutet, dass mit der logischen Fragebeantwortung über bereits aufbereitete Textsegmente in der IR-Datenbank (als Datencache) begonnen werden kann, während die Suche im Web noch weiter geführt wird.
7. Die Textsegmente werden der Sprachanalyse mit WOCADI zugeführt.
8. Die Ergebnisse der Sprachanalyse der Textsegemente werden in einer Wissensbasis bzw. einer MultiNet-Datenbank abgelegt, d. h. die Segmente werden semantisch annotiert. Auch hier kann eine potenzielle Parallelität ausgenutzt werden, indem zuerst versucht wird, eine Frage über der lokalen, bereits vorliegendenen Wissensbasis zu beantworten, während im Hintergrund eine Suche im Web initiiert wird. Die große Zahl der Web-Seiten im Web garantiert eine hohe Redundanz von Informationen für die logische Fragebeantwortung. Ein übermäßig robuster Parser ist deshalb für die Fragebeantwortung aus Web-Seiten nicht zwingend erforderlich, wenn Fragen mit hoher Präzision beantwortet werden sollen. Das Kriterium, ob ein Textsegment erfolgreich analysiert werden konnte, kann auch als Kriterium für die Qualität des Textsegementes (und der potenziellen Antwort) dienen, weil Antworten aus schlecht lesbaren bzw. schlecht parsbaren Texten einen Nutzer i. A. nicht zufrieden stellen würden.
9. Im Prozess der Antwortfindung werden die semantischen Netze der MultiNet-Wissensbasis logisch mit der semantischen Repräsentation der Nutzerfrage verglichen, um Antwortkerne zu finden. Dabei werden auch die in HaGenLex verankerten Inferenzregeln und Entailments eingesetzt. Über den Einsatz von Inferenzregeln, das Erkennen von Umschreibungen und die Behandlung von Paraphrasierungen von Sachverhalten in Frage und Antworten wird echtes Verstehen der Frage angestrebt.
10. Die Bedeutungsstrukturen, die Antworten repräsentieren (Antwortkerne) werden an eine Sprachgenerierung übergeben, die aus den semantischen Repräsentationen der Antwortkandidaten eine natürlichsprachliche Antwort auf die Frage erzeugt und ausgibt.

Im Projekt sollen Frage-Antwort-Strategien auf der Basis Mehrschichtiger Erweiterter Semantischer Netze für die Bearbeitung komplexer Nutzerfragen erarbeitet werden, die weit über den aktuellen Stand der Forschung hinausgehen.

Projektrelevante Publikationen