Generische Kuratierungstechnologien für spezifische Anwendungsfälle: Hintergründe, Beispiele, Prototypen

Georg [email protected] GmbH, Berlin

#DKT16: Smarte Technologien für Wissensarbeiter11. Oktober 2016 – Humboldt Universität zu Berlin

Generische Kuratierungstechnologienfür spezifische Anwendungsfälle

Semantic Media Web 2014Einführung des Konzepts „Digitale Kuratierung“

Semantic Media Web – #DKT15Vorstellung des neuen BMBF-Projekts „Digitale Kuratierungstechnologien“

Semantic Media Web – #DKT16 Halbzeit im BMBF-Projekt –Vorstellung der ersten Ergebnisse

Überblick• Was ist digitale Kuratierung? • BMBF-Projekt Digitale Kuratierungstechnologien• DFKI-Teilprojekt – Kuratierungstechnologien (Beispiele)– Kuratierungs-Dashboard

• Ausblick und Schlussfolgerungen

#DKT16 – 11. Oktober 2016 3

Was ist digitale Kuratierung?

#DKT16 – 11. Oktober 2016

Information

Information

Information

Information

Information

Information

Information

Information

Information

Information

4



Information

Information

Information

Information

Information

Information

Information

Information

Information? ?

??Information

5



Information

Information

Information

Information

Information

Information

Information

Information

Information? Information

OutputInput SoftwareProzesse6

?

??

BranchenInput Prozesse Software Output

Tweet Analysieren Textverarbeitung ZeitungsartikelZeitungsartikel Auswählen Präsentationen Multimedia-WebsiteAgenturmeldung Fokussieren Tabellenkalkulation TV-BeitragFacebook-Meldung Überarbeiten Email AusstellungskatalogSuchergebnis Einlesen Browser Mobile Applikation Email Schreiben Groupware Mashup (z.B. Karte)SMS Gestalten Branchenapplikationen TextbeitragKonzept Recherchieren CMS KonzeptTextdateien Bewerten ECMS ZeitstrahlVideo Evaluieren CRM FachartikelKarte Ordnen Unternehmens-Software StudieStockfotos Sortieren Grafik-/Layout-Software PräsentationIn-house Datenbank Strukturieren Telefonie FaktensammlungKalendereintrag Zusammenfassen etc. ExponatsartikelSpreadsheets Kürzen AnalysenArchiv Übersetzen etc.etc. Informieren

KombinierenAbstrahierenEinordnenVisualisierenGenerierenAnnotierenReferenzierenetc.

Beobachtungen• Inhalte: textzentriert, mehrsprachig, multimedial• Kuratierung: zeit- und wissensintensiv, interdisziplinär,

evtl. durchgeführt in verteilten Teams• Branche: domänen-/branchenspezifische Anforderungen• Einschränkung: Traditionelle CMS-Systeme bieten

kaum Unterstützung für Kuratierungsprozesse!• Sprachtechnologie kann helfen – Kombinierung von

Komponenten zu branchenspezifischen Workflows

DKT Kick-off-Veranstaltung – 25. September 2015

Georg Rehm und Felix Sasaki. “Digital Curation Technologies.” In Proceedings of the 19th Annual Conference of the European Association for Machine Translation (EAMT 2016), Riga, Lettland, Mai 2016

Georg Rehm und Felix Sasaki. “Digitale Kuratierungstechnologien – Verfahren für die effiziente Verarbeitung, Erstellung und Verteilung qualitativ hochwertiger Medieninhalte.” In Proceedings der Frühjahrstagung der Gesellschaft für Sprachtechnologie und Computerlinguistik (GSCL 2015), S. 138-139, Duisburg, 2015

• Unterstützung und Optimierung digitaler Kuratierung durch Sprach- und Wissenstechnologien.

• Entwicklung innovativer Prototypen bei den KMU-Partnern.• Weiterentwicklung der DFKI-Technologien und Transfer mittels

Plattform für digitale Kuratierungstechnologien.

Sprach- und Wissenstechnologien

Kuratierungstechnologien

Branchentechnologien

Plat

tform

tech

nolo

gie

Branchenlösungen

9

Visualisierung, UIs, Ausstellungskuratierung

Kuratierung für Medien-Redaktionen durch innovative Empfehlungen

Semantic Story Tellingfür Online-Redaktionen

Journalistische Kuratierungsworkflows für die digitalen Geschäftsmodelle klassischer Printmedien

Sprach- und Wissenstechnologien als Basis digitaler Kuratierungstechnologien

DKT besteht aus fünf Teilprojekten

10

Branche:Museen, Showrooms,Ausstellungen

Branche:TV, Radio, Web-TV, Medien

Branche:Öffentliche Archive

Branche:Journalismus

Technologieplattform – Ziele• Durch (Semi-)Automatisierung der Kuratierungsprozesse

zeitliche und finanzielle Aufwände reduzieren

• Flexible, robuste, skalierbare Services

• Gemeinsamer Bau von Prototypen (proofs-of-concept)

• Modulare Inhalte in neuen Produktionen aggregieren

• Interoperabilität durch generische APIs

• Human in the loop

#DKT16 – 11. Oktober 2016 11

Sprach- und Wissenstechnologien

Kuratierungstechnologien

Branchentechnologien

Plat

tform

tech

nolo

gie

Branchenlösungen

Die DFKI-Forschungsthemen• Semantische Analyse und Generierung, Mehrsprachigkeit• Integration von Nutzerfeedback in Kuratierungsservices• Domänenadaptierbarkeit: individuelles Training und

nutzerzentrische Anpassungsmöglichkeiten• Interoperabilität aller Services• Harmonisierung von Datenformaten• Hohe Qualität und Präzision• Kuratierungs-Dashboard

#DKT16 – 11. Oktober 2016 12

DFKI-Teilprojekt: Sprach- und Wissenstechnologien als Basis digitaler Kuratierungstechnologien

Plattform für digitale Kuratierungstechnologien

Broker REST API

Kuratierungsservice 1

Kuratierungsservice 2

Client nutztdas API

ExternerService 1

ExternerService 2

Client nutztdas API

Client nutztdas API

Client nutztdas API

Kuratierungs-Workflow


• Kuratierungsservice: e-service, der per REST HTTP API bereitsteht. Der Service analysiert den Input und reichert diesen an.

• Services können zu Pipelines bzw. Workflows kombiniert werden.

Output

13

NLP Interchange Format – NIF• RDF/OWL-basiertes Format für NLP-Anwendungen • Ermöglicht Interoperabilität zwischen Tools und Ressourcen• Durch pures RDF „natürliche“ Integration von Linked Data• Entwickelt von der Unversität Leipzig

#DKT16 – 11. Oktober 2016 14

{"@graph" : [ {

"@id" : "http://dev.digitale-kuratierung.de/#char=0,20","@type" : [ "nif:RFC5147String", "nif:Context ],"beginIndex" : "0","endIndex" : "20","isString" : "Willkommen in Berlin","referenceContext" : "http://dev.digitale-kuratierung.de/#char=0,20",

}, {"@id" : "http://dev.digitale-kuratierung.de/#char=14,20","@type" : [ "nif:RFC5147String", "nif:Word" ],"anchorOf" : "Berlin","beginIndex" : "14","endIndex" : "20","taIdentRef" : "http://dbpedia.org/resource/Berlin"

} ]}

Dokument-URI

Eingabedokument

Annotation-URI

Character-Offset

DBPedia-Link

Aktueller Stand• Plattform: Services und Service-Workflows• Implementierte Kuratierungsservices:

– Named Entity Recognition – e-entityrecognition e-service – Geolocation – e-entityrecognition, Visualisierung– Temporal Analyser – e-entityrecognition, Visualisierung– Classification – e-classification e-service– Clustering – e-clustering e-service– Textzusammenfassen– e-summarisation e-service– Maschinelle Übersetzung – e-translation e-service– Semantic Storytelling – work in progress

• Kuratierungsdashboard: Erster Prototyp

#DKT16 – 11. Oktober 2016 15

NER, Linking, Geolokalisierung


...In the Viking colony of Iceland, an extraordinary vernacular literature blossomed in the 12th through 14th centuries......The ships were scuttled there in the 11th century, to block anavigation channel and thusprotect Roskilde, thenCopenhagen from seaborne assault......Viking Age inscriptions havealso been discovered on theManx runestones on theIsle of Man.…

Plain Text NIF-Anreicherung Visualisierunghttp://api.digitale-kuratierung.de/api/e-nlp/namedEntityRecognition?analysis=ner http://http://dev.digitale-kuratierung.de/admini/pages/geolocalization.php

• Modus 1: Modell-basiert (für Domänen, für die annotierte Trainingsdaten verfügbar sind)

• Modus 2: Wörterbuch-basiert (für Domänen, für die lediglich Namenslisten verfügbar sind)

• Basiert auf OpenNLP (mit NIF-Integration)

• Entity-Linking durch SPARQL-Querys auf DBPedia.• Für Lokationen werden GPS-Koordinaten bezogen. • Es werden Durchschnittsangaben berechnet auf

Dokumentebene (über alle Lokationen), um diese auf einer Karte visualisieren zu können.

Geolokalisierung als visuelles Zusammenfassen!

16


NE Recognition und Linking• http://api.digitale-kuratierung.de/api/e-nlp/trainModel?analysis=dict• Falls lediglich Listen von Namen oder Termen und deren URIs in einer

Ontologie zur Verfügung stehen.

• http://api.digitale-kuratierung.de/api/e-nlp/trainModel?analysis=ner• Falls annotierte Trainingsdaten zur Verfügung stehen

auf neuem Input nutzbar(auch gemeinsam)

statistischesNER-Modell

Datenbank-Dump der Mendelsohn-Briefe

Hohe QualitätBenötigt annotierte Daten

Mittlere QualitätBenötigt weniger annotierte Daten

• Falls – z.B. bei Spezialdomänen – weder das eine (A) noch das andere (B) vorliegt, können potenzielle Entitäten in Kollektionen berechnet werden.

• Diese Liste kann vom Wissensarbeiter überprüft und anschließend als Wörterbuch (A) eingesetzt werden.

Mittlere Qualität Menschliche Intervention notwendigBenötigt keine annotierten Daten

A B

C

• Linking per Extraktion der DBpedia-URI• NE-Typspezifische SPARQL-Querys für

Personen (Geburtsdatum), Lokationen (Koordinaten), Organisationen (Typ)

• Wörterbuch kann URIs enthalten

17


Zeitausdrücke...The ships were scuttled there in the 11th century, to block anavigation channel and thusprotect Roskilde, thenCopenhagen from seaborne assault......Viking Age inscriptions havealso been discovered on theManx runestones on theIsle of Man.......In the Viking colony of Iceland, an extraordinary vernacular literature blossomed in the 12ththrough 14th centuries…

900

1600

http://api.digitale-kuratierung.de/api/e-nlp/namedEntityRecognition?analysis=temphttp://dev.digitale-kuratierung.de/admini/pages/timelining.php

Plain-Text NIF-Anreicherung Visualisierung

• Sortiert Dokumente auf einer chronologischen Skala.

• Regelbasiertes System, um unsere Zielsprachen bestmöglich bedienen zu können (EN, DE).

• Analyse von Zeitausdrücken in einem Dokument.

• Berechnet Durchschnittswerte und Intervalle.

• Plan: Mechanismus für nutzerbasierte Regeln.

• Verwandte Arbeiten: SUTime, HeidelTime, Tango, Tarsgi.

18

Maschinelle Übersetzung


Workflow

Language & Translation

Models trained on DGT, News, Europarl, TED

Herr Modi befindet sich auf einer fünftägigenReise nach Japan, um die wirtschaftlichen

Beziehungen mit der drittgrößtenWirtschaftsnation der Welt zu festigen.

Mr Modi is located on a five-day trip to Japan to strengthen the economic ties with the third largest economy in the world.

Named Entity Recognition

Entity Linking

Temporal Expressions

Metadata Processing

Post-Edit Retraining

Beispiel

• Robuste, adaptierbare MT-Modelle (nutzen Moses, Cdec, Giza++, SRILM etc.)• Parallele und monolinguale Korpora: Europarl, DGT-TM, TED, UN, Newscrawl u.a.• Kombination mit anderen DKT-Services (Summariser, NER, Temporal Analyser); ITS 2.0, NIF• Diverse Linked-Data-Datenquellen unterstützen MT (z.B. Dbpedia, BabelNet, WordNet)

Eleftherios Avramidis, Aljoscha Burchardt, Vivien Macketanz,Ankit Srivastava. 2016. “DFKI’s System for WMT16 IT-domainTask, including Analysis of Systematic Errors”. In Proc. of the 1st

Conf. on Machine Translation, Berlin, S. 415-422.

Workflow

Language & Translation

Models trained on DGT, News, Europarl, TED

19

Textanalytik für bessere MT


Ankit Srivastava, Felix Sasaki, Peter Bourgonje, Julian Moreno-Schneider, Jan Nehring, undGeorg Rehm. 2016. “How to Configure Statistical Machine Translation with Linked Open DataResources”. In Proc. of Translating and Computer 38. London, November. Im Druck.

Quellsprache: Englisch1. A European Commission spokesman …2. MS Paint is a good option.

Zielsprache: Deutsch1. Ein Sprecher der European Commission …2. Frau Farbe ist eine gute wahl.

• Korrektur von Übersetzungsfehlern durch Textanalytik.• Unbekanntes Wort: “European Commission” sollte als „Europäische

Kommission“ übersetzt werden. Übersetzung kann aus Dbpedia bezogen werden.• Disambiguierung: “MS Paint” wird als Person und nicht als Produktname erkannt.

Lösung: Term wird als benannte Entität getaggt und bleibt unübersetzt.

20

Textzusammenfassen


Die Aktie der RWE AG fiel am Donnerstag um 0,21% auf 19,16 EUR und schwankte am Handelstag zwischen 19,08 und 19,32 EUR. Das Handelsvolumen der Aktie lag bei 1,79 Millionen Aktien und so unter dem 52-Wochen und 150-Tagesvolumen von 3,40 Millionen bzw. 3,96 Millionen Aktien. Im letzten Monat und den letzten 3 Monaten verlor die RWE-Aktie 3,79% bzw. 18,95% und in den letzten 3 Tagen 3,55%. Das PE und PB-Verhältnis der Unternehmensaktie liegt aktuell bei 11,44 bzw. 1,29, während die historischen PE und PB-Werte jeweils bei 11,77 bzw. 2,13 liegen.

Im letzten Monat und den letzten 3 Monaten verlor die RWE-Aktie 3,79% bzw. 18,95% und in den

letzten 3 Tagen 3,55%.

• Kuratierungsservice rankt Sätze – basierend auf div. Features – hinsichtlich ihrer Wichtigkeit.

• Modul ist in der Entwicklung.

• Beispiel: Artikel über den fallenden Aktienkurs von RWE (Daten stammen von Condat)

• Ausblick: Integration der Analyseergebnisse anderer DKT-Services in den Algorithmus.

21

Semantic Storytelling• Wichtige Funktionalität in allen KMU-Partner-Use Cases:

Automatisches Hyperlinking von Dokumentkollektionen• Input: Kohärente, in sich geschlossene Kollektion• Output: Angereicherte Kollektion, die als Hypertext zugreifbar

ist – für effizientes und intuitives Browsing• Semantic Storytelling – arbeitet auf diesem Hypertextgraph,

den wir auf der ursprünglichen Kollektion erzeugen• Ermöglicht multiple Rezeptionspfade durch die Kollektion• Semantic Storytelling ist die Identifizierung, das Ranking

und die Empfehlung sinnvoller Hypertextpfade• Es gibt noch zahlreiche Herausforderungen ...

#DKT16 – 11. Oktober 2016 22


<http://d-nb.info/gnd/11858071X, met, http://d-nb.info/gnd/129094722>

http://dev.digitale-kuratierung.de/2ds3/index.php

<http://d-nb.info/gnd/118589768, wrote, http://d-nb.info/gnd/118623230><http://d-nb.info/gnd/123242231, visited, http://d-nb.info/gnd/188402519><http://d-nb.info/gnd/118569015, said, http://d-nb.info/gnd/11947509X><http://d-nb.info/gnd/119173425, was, http://d-nb.info/gnd/118629867><http://d-nb.info/gnd/119178893, designed, http://d-<nb.info/gnd/118629867><http://d-nb.info/gnd/118876759, love, http://d-nb.info/gnd/118629867><http://d-nb.info/gnd/118545892, depart, http://d-nb.info/gnd/107363569><http://d-nb.info/gnd/128830751, write, http://d-nb.info/gnd/118606026><http://d-nb.info/gnd/11858071X, protect, http://d-nb.info/gnd/39650438><http://d-nb.info/gnd/116713704, married, http://d-nb.info/gnd/52754181>…

1

2

3

45

23

Dokument-sammlung

SemantischeAnalyse

Extraktionvon Konzeptenund Relationen

SemantischeRelationenzwischen Entitäten

Interaktive Oberfläche zur Exploration dessemantischen Netzes


Semantic Storytelling• Aktueller, experimenteller Stand: GUI erlaubt dynamischen Überblick, welche

salienten, in einer Kollektion genannten Entitäten was und wo getan haben.• Nutzer sollen sich schnell einen Überblick über den Inhalt verschaffen können.

24


(Vergrößerung)

Julián Moreno Schneider, Peter Bourgonje, Jan Nehring, Georg Rehm, Felix Sasaki, and Ankit Srivastava. Towards Semantic Story Telling with Digital Curation Technologies. In Larry Birnbaum, Octavian Popescuk und Carlo Strapparava, Hrsg., Proceedings of Natural Language Processing meets Journalism - IJCAI-16 Workshop (NLPMJ 2016), New York, Juli 2016.

Peter Bourgonje, Julián Moreno Schneider, Georg Rehm und Felix Sasaki. Processing Document Collections to Automatically Extract Linked Data: Semantic Storytelling Technologies for Smart Curation Workflows. In Aldo Gangemi und Claire Gardent, Hrsg., Proceedings of the 2nd International Workshop on Natural Language Generation and the Semantic Web (WebNLG 2016), S. 13-16, Edinburgh, UK, September 2016. The Association for Computational Linguistics.

Peter Bourgonje, Julian Moreno-Schneider, Jan Nehring, Georg Rehm, Felix Sasaki und Ankit Srivastava. “Towards a Platform for Curation Technologies: Enriching Text Collections with a Semantic-Web Layer.” In Harald Sack, Giuseppe Rizzo, Nadine Steinmetz, Dunja Mladenić, Sören Auer und Christoph Lange, Hrsg., The Semantic Web: ESWC 2016 Satellite Events, Juni 2016.

25

Ausblick• Automatisches Hyperlinking• Integration in das Dashboard• Generierung von Story-Pfaden• Relationsextraktion und

Dependenzparsing• Textgenerierung

Tool 1: Automatisches Glossar• Automatisches

Glossar (Personen, Orte, Organis.)

• Informieren über unbekannte Begriffe in einer Sammlung.

• Links verweisen auf die Vorkommen in Dokumenten.

• Bekannt aus Büchern und somit direkt verständlich.

Glossar der Mendelsohn-Briefe

#DKT16 – 11. Oktober 2016 26

Tool 2: Autoritative Dokumente• Über eine Entität

informieren, die in einer Kollektion auftaucht (1).

• Dokumentauswahl listet alle Entitäten auf (2).

• Klick listet Vorkommen in Kollektion auf, sortiert nach Frequenz (3).

• Hilft, diejenigen Doku-mente zu finden, die eine Entität häufig erwähnen und daher eine „Autorität“ bzgl. dieser Entität darstellen.

#DKT16 – 11. Oktober 2016 27

1

2

3

Liste derjenigen Dokumente der Mendelsohn-Briefe,in denen „New York“ auftaucht (nach Häufigkeit sortiert)

#DKT16 – 11. Oktober 2016 28

29





30





Branche:Bibliotheken

Branche:Wissenschaft

Branche:Corporate/Enterprise

Branche:Medizin, HealthcareForensische LinguistikInvestigativer JournalismusCRM, SEO, etc.

31





Branche:Bibliotheken

Branche:Wissenschaft

Branche:Corporate/Enterprise

Branche:Medizin, HealthcareForensische LinguistikInvestigativer JournalismusCRM, SEO, etc.

Clemens Neudecker und Georg Rehm. „Digitale Kuratierungstechnologienfür Bibliotheken“. Zeitschrift für Bibliothekskultur 027.7, Open Access. Nov. 2016. Im Druck.

Georg Rehm. Der Mensch bleibt im Mittelpunkt – Smarte Technologien für alle Branchen. Vitako Aktuell. Zeitschrift der Bundes-Arbeitsgemeinschaft der Kommunalen IT-Dienstleister e.V., 2-2016:26-27, 2016.

Schlussfolgerungen• Kuratierungstechnologien können Wissensarbeiter beim

Verarbeiten von Inhalten und Wissen unterstützen.• Großes Interesse an dem Ansatz und den bislang im

DFKI entwickelten Technologien.• Aktuell: Gutes erstes Inventar von Services.• Enormes Potential für Folgeaktivitäten.• Erweitertes Set von Services, automatischere Ansätze,

zusätzliche Branchen, zusätzliche Wissensquellen.• Speziell: Semantic Storytelling, Textgenerierung, Linked

Data, Zusammenstellung neuer Inhaltsprodukte.

#DKT16 – 11. Oktober 2016 32

Vielen Dank!http://www.digitale-kuratierung.de

33

Das DFKI-DKT-Team:


Technology

Generische Kuratierungstechnologien für spezifische Anwendungsfälle: Hintergründe, Beispiele, Prototypen