Strukturelle Analyse Web-basierter Dokumente (eBook)

Dr. Matthias Dehmer arbeitet in der Informatik im Bereich der Strukturklassifikation und der Analyse von graphbasierten Netzwerken. In der Mathematik ist er in der diskreten Mathematik (Schwerpunkt Graphentheorie) und in der angewandten Funktionentheorie (Schwerpunkt Nullstellenlokalisierung) tätig.

Vorwort 6
Zusammenfassung 8
Inhaltsverzeichnis 10
Kapitel 1 Einleitung 13
1.1 Motivation der Arbeit 13
1.2 Zielsetzung der Arbeit 15
1.3 Aufbau der Arbeit 17
1.4 Wissenschaftlicher Beitrag der Arbeit 19
Kapitel 2 Strukturelle Aspekte hypertextueller Einheiten 23
2.1 Hypertext und Hypermedia 23
2.2 Problemstellungen des Web Mining 26
2.3 Existierende graphentheoretische Analysemethoden von Hypertextstrukturen 32
2.4 Existierende Clusteringverfahren zur Analyse hypertextueller Daten 43
2.5 Modellbildung: Polymorphie und funktionale Äquivalenz 55
2.6 Konkreter Modellierungsansatz auf der Basis von GXL 57
2.7 Zusammenfassende Bewertung und Fazit 59
Kapitel 3 Grenzen der inhaltsbasierten Kategorisierung von Hypertextstrukturen 63
3.1 Motivation 63
3.2 Das Testkorpus und die Extraktion web-basierter Hypertexte 66
3.3 Motivation des maschinellen Lernverfahrens 68
3.4 Das Kategorisierungsexperiment 71
3.5 Interpretation der Evaluierungsergebnisse 74
3.6 Fazit 76
Kapitel 4 Graphentheorie und strukturelle Ähnlichkeit: Bekannte Methoden 79
4.1 Erforderliche Grundlagen 79
4.2 Strukturelle Ähnlichkeit von Graphen 87
4.3 Graph Mining und weitere graphorientierte Ähnlichkeitsmaße 92
4.4 Zusammenfassende Bewertung 101
Kapitel 5 Graphbasierte Analyse und Retrieval: Neuer Ansatz 105
5.1 Motivation 106
5.2 Gradsequenzen von Graphen 110
5.3 Hierarchisierte und gerichtete Graphen 114
5.4 Zentraler Lösungsansatz 117
5.5 Berechnungsgrundlagen 120
5.6 Strukturelle Ähnlichkeit hierarchisierter und gerichteter Graphen 125
5.7 Ergebnisse 134
5.8 Experimentelle Ergebnisse 136
Kapitel 6 Exkurs: Strukturvorhersage 151
6.1 Erkennung struktureller Beziehungen zwischen Graphmengen 151
6.2 Ergebnisse 154
6.3 Fazit 156
Kapitel 7 Zusammenfassung und Ausblick 157
7.1 Zusammenfassung der Ergebnisse 157
7.2 Ausblick 160
7.3 Weiterführende Fragestellungen 163
Literaturverzeichnis 165

Einleitung (S. 1)

1.1 Motivation der Arbeit

Die Untersuchung von Strukturen ist aus der Sicht vieler Wissenschaftsbereiche ein aktuelles Forschungsthema. Dabei ist die Strukturanalyse einerseits in anwendungsorientierten Disziplinen und andererseits in theorieorientierten Forschungsbereichen von zentraler Bedeutung:

 ,In der Linguistik wird intensiv die Struktur von Sprache, z.B. die syntaktische Sprachstruktur (Bar-Hillel 1964, Chomsky 1976) untersucht.

 ,Die soziologische Forschung betrachtet z.B. Kommunikationsstrukturen (Bavelas 1950) und soziale Netzwerke (Harary 1959, 1974, Scott 2001).

 ,In der Biologie und in der Biochemie spielen z.B. fraktale biologische Strukturen (Sernetz 2001) eine größte Rolle.

 ,Die Elektrotechnik untersucht Strukturen von Stromverzweigungen, elektrischer Netzwerke und Platinen.

Aus diesen Beispielen geht zunächst nicht hervor, mit welchen Methoden und Formalismen die jeweiligen Strukturen modelliert werden. Da in dieser Arbeit relationale Strukturen in Form von Graphen als Repräsentation komplexer Dokumentstrukturen eine wesentliche Rolle spielen, ist speziell das letzte Beispiel der obigen Aufzählung interessant.

KIRCHOFF (Kirchhoff 1847) publizierte im Bereich der Elektrizitätslehre bereits 1847 eine wichtige Arbeit bezogen auf die Theorie der Stromverzweigungen, die einen Grundstein der modernen Graphentheorie legte. Daran schlossen sich richtungsweisende Beiträge , von CALEY (Caley 1875), PETERSEN (Petersen 1891) und SYLVESTER (Sylvester 1878) an, die ihre Wurzeln ebenfalls in der Graphentheorie besitzen.

Heute ist die Beschreibung von Strukturen ohne graphbasierte Modelle in vielen Wissenschafts- und Lebensbereichen nicht mehr vorstellbar, wobei Graphen in der Informatik, z.B. für die Darstellung von Rechnernetzen, breite Anwendung , finden.

Die vorliegende Arbeit ist thematisch in einem Teilbereich des Web Mining (Chakrabarti 2002, Kosala &, Blockeel 2000)- dem Web Structure Mining (Kosala &, Blockeel 2000)- angesiedelt, weil sie strukturelle Modellierungsaspekte webbasierter , Dokumentstrukturen untersucht.

Da der Umgang mit Computern allgegenwärtig ist und die Menge an Dokumenten im Web bekanntlich exponentiell zunimmt, sind Hilfsmittel zur schnellen Erfassung, Klassifizierung und Auffindung von Dokumenten von zentraler Bedeutung. Längst wurde klar, dass Inhalt und Struktur vernetzter Dokumente hierbei relevant sind. Die vorliegende Arbeit konzentriert sich auf Strukturaspekte web-basierter Dokumente, welche in jüngerer Zeit immer stärker ins Blickfeld rücken.

Es existieren formale Ansätze (dInverno et al. 1997, Fronk 2003, Lange 1990, Mehler 2001), die strukturelle Aspekte hypertextueller Dokumente beschreiben. Die ersten bekannten Arbeiten, die insbesondere die strukturelle Analyse von Hypertexten auf der Basis graphentheoretischer Methoden fokussierten, stammen von (Botafogo &, Shneiderman 1991, Botafogo et al. 1992, Botafogo 1993).

Dabei wurden bekannte Konzepte , der Graphentheorie verwendet, um Maßzahlen- so genannte Indizes (Dehmer 2005, Mehler 2004) - für die Beschreibung struktureller Hypertextausprägungen zu entwickeln. Beispielsweise definierten BOTAFOGO et al. (Botafogo et al. 1992) als einen typischen Vertreter das bekannte Maß Compactness , welches den Grad der Vernetztheit einer Hypertextstruktur beschreibt.

Die Aussagekraft solcher Maße ist jedoch sehr eingeschränkt, da die zu beschreibende Ausprägung auf eine einzige Maßzahl abgebildet wird. Damit folgt weiter, dass solche Maße nicht eindeutig interpretierbar sind.

Unmittelbar daraus resultiert ein Problem, welches sich bislang negativ auf die Analyse hypertextueller Dokumente auswirkte (Dehmer 2005): Wegen der nicht eindeutigen Interpretierbarkeit und der damit verbundenden mangelnden Aussagekraft dieser Maße, ist eine Gruppierungähnlicher Strukturen nicht möglich, mit dem Ziel, ähnliche Funktionen oder sogar Qualitätsmerkmale abzuleiten.