In diesem Semester biete ich neben meinem Dauerseminar Computerlinguistik und dem gemeinschaftlich ausgerichteten dhc-Kolloquium noch eine Übung zur Informationsextraktion (IE) an. IE ist ein Thema, das in mehreren von mir betreuten Projekten eine Rolle spielt, über die ich hier auch schon berichtet habe – dazu zählen das Projekt zu den Stellenanzeigen und die Informationserschließung in der Bilddatenbank Prometheus.
Beide Projekte würden sich auch als Themen für die Übung anbieten. Vor ein paar Wochen hat sich allerdings mein Kollege Alex Czmiel von der Berlin Brandenburgischen Akademie der Wissenschaften (BBAW) bei mir gemeldet und gefragt, ob wir vielleicht Lust hätten, auf chronologischen Daten zu Alexander von Humboldts Reisen zu arbeiten. Die BBAW könnte uns diese zur Verfügung stellen und im besten Fall könnten wir diese ein wenig aufbereiten, Personen/Orte annotieren und diese Informationen wiederum zugänglich machen. Eine kleine Beispieldatei überzeugte mich davon, dass dies tatsächlich ein erfolgversprechendes Vorhaben wäre, zumal die Daten in sauberem XML und sogar TEI-codiert vorliegen:

Was mir an den Daten außerdem gut gefällt, ist, dass sie aus relativ kurzen Textschnipseln bestehen und datiert sind (hier: 1. Januar 1800). Das ließ mich natürlich sofort an die Möglichkeiten des Reentweetments denken. Es wäre doch ein lohnendes Ziel, dachte ich, wenn am Ende der Übung eine Datenbasis vorhanden wäre, die man u.a. über die Nutzung von autoChirp der Community über Twitter zugänglich machen könnte, ähnlich, wie das Tiwoli für datierte Literatur macht.
Nach ein wenig Überlegerei habe ich Themen identifiziert, die dafür im Seminar behandelt werden müssten: Allgemeine Grundlagen der Informationsextraktion, Werkzeuge für die Prozessierung von XML, Java-Bibliotheken, dazu mögliche Anwendungsszenarien. Herausgekommen ist jetzt erst einmal folgende MindMap, die ich dann – nach Rücksprache mit den Studierenden – noch in einen Seminarplan gießen muss.

Statt eine Präsentation zur ersten Stunde anzulegen, habe ich mich entschlossen, diesen Blogbeitrag zu schreiben. Der Vorteil daran ist, dass die Linktipps und Literaturhinweise, die ich zu dieser Sitzung gebe, hier öffentlich einsehbar sind:
- Die Projektseite der BBAW zu “Alexander von Humboldt auf Reisen” (die ich auch für das Beitragsbild oben fotografiert habe) ist hier online.
- Zu den Grundlagen der Informationsextraktion kann man sich gut im Kapitel 21 des Buches “Speech and Language Processing” von Dan Jurafski und James Martin informieren, dessen neueste Version Jurafski dankenswerterweise hier online gestellt hat (das Buch ist allerdings auch als Ganzes zu empfehlen).
- Dokumentation und Download der Java-API zur Stanford Named Entity Recognition findet auf den Seiten der Stanford NLP Group hier.
- Die Software HeidelTime zur Extraktion temporaler Ausdrücke, an der auch mein geschätzter Kollege Jannik Strötgen federführend mitgearbeitet hat, gibt es hier auf GitHub.
- autoChirp dürfte inzwischen jede|r Leser|in dieses Blogs hier kennen. Der Webservice ist weiterhin hier auf unserem spinfo-Server zugänglich, den Code für das Aufsetzen eigener Instanzen gibt es hier Open Source auf GitHub.
- Schießlich kann man über diesen Link Zeitleisten mit timelineJS erzeugen.