|
|
@@ -4,14 +4,20 @@ algorithm with c\underline{O}ntent and \underline{S}tructure) ist ein
|
|
|
Knotenklassifizierungsalgorithmus, der Ursprünglich in \cite{aggarwal2011} vorgestellt
|
|
|
wurde. Er klassifiziert Knoten, indem mehrfach Random Walks startend
|
|
|
bei dem zu klassifizierenden Knoten gemacht werden und die Labels
|
|
|
-der besuchten Knoten gezählt werden. Der DYCOS-Algorithmus nimmt
|
|
|
-jedoch nicht einfach den Graphen für dieses Verfahren, sondern
|
|
|
-eine Erweiterung.
|
|
|
+der besuchten Knoten gezählt werden. Das Label, das am häufigsten
|
|
|
+vorgekommen ist, wird zur Klassifizierung verwendet.
|
|
|
+Der DYCOS-Algorithmus nimmt jedoch nicht einfach den Graphen für
|
|
|
+dieses Verfahren, sondern erweitert ihn mit Hilfe der zur Verfügung
|
|
|
+stehenden Texte.
|
|
|
|
|
|
Für diese Erweiterung wird zuerst wird Vokabular $W_t$ bestimmt, das
|
|
|
-charakteristisch für eine Knotengruppe ist. Wie das gemacht werden kann, wird in
|
|
|
-Abschnitt~\ref{sec:vokabularbestimmung} erläutert. Dann wird für
|
|
|
-jedes Wort im Vokabular ein Wortknoten zum Graphen hinzugefügt.
|
|
|
+charakteristisch für eine Knotengruppe ist. Wie das gemacht werden kann
|
|
|
+und warum nicht einfach jedes Wort in das Vokabular aufgenommen wird,
|
|
|
+wird in Abschnitt~\ref{sec:vokabularbestimmung} erläutert.\\
|
|
|
+Nach der Bestimmung des Vokabulars wird für
|
|
|
+jedes Wort im Vokabular ein Wortknoten zum Graphen hinzugefügt. Alle
|
|
|
+Knoten, die der Graph zuvor hatte, werden nun \enquote{Strukturknoten}
|
|
|
+genannt.
|
|
|
Ein Strukturknoten $v$ wird genau dann mit einem Wortknoten $w \in W_t$
|
|
|
verbunden, wenn $w$ in einem Text von $v$ vorkommt.
|
|
|
|
|
|
@@ -22,18 +28,19 @@ verbunden, wenn $w$ in einem Text von $v$ vorkommt.
|
|
|
\label{fig:erweiterter-graph}
|
|
|
\end{figure}
|
|
|
|
|
|
-Der DYCOS-Algorithmus betrachtet die Texte, die zu einem Knoten
|
|
|
+Der DYCOS-Algorithmus betrachtet die Texte, die einem Knoten
|
|
|
zugeornet sind, als eine
|
|
|
Multimenge von Wörtern. Das heißt, zum einen wird nicht auf die
|
|
|
Reihenfolge der Wörter geachtet, zum anderen wird bei Texten
|
|
|
eines Knotens nicht zwischen verschiedenen Texten unterschieden.
|
|
|
-Jedoch wird die Anzahl der vorkommen jedes Wortes berücksichtigt.
|
|
|
+Jedoch wird die Anzahl der Vorkommen jedes Wortes berücksichtigt.
|
|
|
|
|
|
\subsection{Datenstrukturen}
|
|
|
Zusätzlich zu dem gerichteten Graphen $G_t = (V_t, E_t, V_{L,t})$
|
|
|
verwaltet der DYCOS-Algorithmus zwei weitere Datenstrukturen:
|
|
|
\begin{itemize}
|
|
|
- \item Für jeden Knoten $v \in V_t$ werden die vorkommenden Wörter
|
|
|
+ \item Für jeden Knoten $v \in V_t$ werden die vorkommenden Wörter,
|
|
|
+ die auch im Vokabular $W_t$ sind,
|
|
|
und deren Anzahl gespeichert. Das könnte z.~B. über ein
|
|
|
assoziatives Array geschehen. Wörter, die nicht in
|
|
|
Texten von $v$ vorkommen, sind nicht im Array. Für
|
|
|
@@ -57,7 +64,7 @@ des strukturellen $l$-Sprungs benötigt:
|
|
|
\end{definition}
|
|
|
|
|
|
Der strukturelle $l$-Sprung ist also ein Random Walk der Länge $l$
|
|
|
-im Graph $G_t$. Im Gegensatz dazu benötigt der inhaltliche $l$-Multisprung
|
|
|
+im Graph $G_t$. Im Gegensatz dazu benötigt der inhaltliche $l$-Mehrfachsprung
|
|
|
tatsächlich die Grapherweiterung:
|
|
|
|
|
|
\begin{definition}
|
|
|
@@ -65,7 +72,7 @@ tatsächlich die Grapherweiterung:
|
|
|
um die Wortknoten $W_{t}$ erweiterte Graph.
|
|
|
|
|
|
Dann heißt ein Random Walk der Länge $l$ in diesem Graphen
|
|
|
- ein \textbf{inhaltlicher $l$-Multisprung}, wenn für den Random Walk
|
|
|
+ ein \textbf{inhaltlicher $l$-Mehrfachsprung}, wenn für den Random Walk
|
|
|
in jedem der $l$ Schritte, startend von einem Knoten $v \in V_t$
|
|
|
eine Kante zu einem Wortknoten und von dem Wortknoten wieder
|
|
|
zu einem Strukturknoten genommen wird.
|
|
|
@@ -79,15 +86,37 @@ tatsächlich die Grapherweiterung:
|
|
|
$p_s$ (Wahrscheinlichkeit eines strukturellen Sprungs)
|
|
|
\Ensure Klassifikation von $\N_t \setminus \T_t$\\
|
|
|
|
|
|
- \ForAll{Knoten $v$ in $\N_t \setminus \T_t$}
|
|
|
+ \Procedure{SturkturellerSprung}{Dictionary $d$, Startknoten $v$, Länge $l$}
|
|
|
+ \For{$i$ von $1$ bis $l$}
|
|
|
+ \State $v \gets v.\Call{Next}{}$
|
|
|
+ \ForAll{Label $w$ in v.\Call{GetLabels}{}}
|
|
|
+ \State $d[w] = d[w] + 1$
|
|
|
+ \EndFor
|
|
|
+ \EndFor
|
|
|
+ \EndProcedure
|
|
|
+ \\
|
|
|
+ \Procedure{InhaltlicherMehrfachsprung}{Dictionary $d$, Startknoten $v$, Länge $l$}
|
|
|
\For{$i$ von $1$ bis $l$}
|
|
|
- \State $sprungTyp \gets \Call{random}{0.0, 1.0}$
|
|
|
- \If{$sprungTyp \leq p_s$}
|
|
|
- \State Strukturellen $l$-Sprung ausführen
|
|
|
+ \State $v \gets v.\Call{Next}{}$ \Comment{TODO: Hier muss ein mehrfachsprung beschrieben werden!}
|
|
|
+ \ForAll{Label $w$ in v.\Call{GetLabels}{}}
|
|
|
+ \State $d[w] = d[w] + 1$
|
|
|
+ \EndFor
|
|
|
+ \EndFor
|
|
|
+ \EndProcedure
|
|
|
+ \\
|
|
|
+
|
|
|
+ \ForAll{Knoten $v$ in $\N_t \setminus \T_t$}
|
|
|
+ \State $d \gets $ Dictionary, das für neue Einträge 0 annimmt
|
|
|
+ \For{$i$ von $1$ bis $r$}
|
|
|
+ \State $sprungTyp \gets \Call{random}{0, 1}$
|
|
|
+ \If{$sprungTyp \leq p_S$}
|
|
|
+ \State \Call{SturkturellerSprung}{$v$, $l$}
|
|
|
\Else
|
|
|
- \State Inhaltlichen $l$-Sprung ausführen
|
|
|
+ \State \Call{InhaltlicherMehrfachsprung}{$v$, $l$}
|
|
|
\EndIf
|
|
|
\EndFor
|
|
|
+ \State $label \gets \Call{max}{d}$
|
|
|
+ \State $v.\Call{SetLabel}{label}$
|
|
|
\EndFor
|
|
|
\State \Return Labels für $\N_t \setminus \T_t$
|
|
|
\end{algorithmic}
|
|
|
@@ -100,7 +129,7 @@ Es ist nicht sinnvoll, direkt von einem strukturellem Knoten
|
|
|
$v \in \N_t$ zu einem mit $v$ verbundenen Wortknoten $w$ zu springen
|
|
|
und von diesem wieder zu einem verbundenem strutkurellem Knoten
|
|
|
$v' \in \N_t$. Würde man dies machen, wäre zu befürchten, dass
|
|
|
-aufgrund von Polysemen die Qualität der Klassifizierung verringert
|
|
|
+aufgrund von Homonymen die Qualität der Klassifizierung verringert
|
|
|
wird. So hat \enquote{Brücke} im Deutschen viele Bedeutungen.
|
|
|
Gemeint sein können z.~B. das Bauwerk, das Entwurfsmuster der
|
|
|
objektorientierten Programmierung oder ein Teil des Gehirns.
|
Martin Thoma