Disambiguierung Semantische Infrastruktur
Disambiguierung ist der Prozess der Auflösung von Mehrdeutigkeiten, bei dem einem Ausdruck im jeweiligen Kontext die korrekte Bedeutung zugeordnet wird.
Disambiguierung
Disambiguierung löst das Problem der Polysemie, dass ein Wort mehrere Bedeutungen haben kann. Das Wort "Bank" kann ein Finanzinstitut, eine Sitzgelegenheit oder eine Sandbank bezeichnen.
In der semantischen Infrastruktur ist Disambiguierung eine Kernaufgabe:
Suchmaschinen müssen verstehen, welche Entität ein Nutzer meint, und Webinhalte müssen der richtigen Bedeutung zugeordnet werden. Technisch erfolgt Disambiguierung durch Kontextanalyse, Co-Occurrence-Muster und den Abgleich mit Knowledge Graphs. Named Entity Disambiguation verknüpft Erwähnungen in Texten mit konkreten Entitäten in Wissensdatenbanken wie Wikidata.
Strukturierte Daten helfen bei der Disambiguierung, indem sie über Properties wie sameAs explizite Verknüpfungen zu eindeutigen Identifikatoren herstellen. Im Information Retrieval ist Disambiguierung entscheidend, damit z.B. Suchmaschinen wie Google die eigene Marke oder das eigene Produkt als die richtige Entität erkennt.
Je besser die Disambiguierung gelingt, desto präziser können Suchmaschinen und KI-Systeme (und Menschen) Inhalte verarbeiten und zuordnen.
Das Disambiguierungsproblem: Warum Sprache für Maschinen grundsätzlich mehrdeutig ist
Für Menschen ist Sprache meistens eindeutig, weil wir Kontext automatisch auflösen. Für Maschinen ist Mehrdeutigkeit der Normalzustand, nicht die Ausnahme.
Nimm das Wort Bank. Es bezeichnet ein Sitzmöbel, ein Kreditinstitut, eine Sandbank oder das Verb banken in bestimmten Regionen. Ohne Kontext ist keine Bedeutung privilegiert. Dasselbe gilt für Personennamen: Müller ist Familienname, Berufsbezeichnung und Vorname zugleich. Für Named Entity Recognition ist das ein fundamentales Problem.
Die linguistische Forschung unterscheidet zwischen Polysemie, wo ein Wort mehrere verwandte Bedeutungen hat, und Homonymie, wo gleiche Schreibweise auf semantisch unverwandte Konzepte trifft. Für NLP-Systeme ist diese Unterscheidung oft irrelevant, weil sie beide Fälle mit denselben Mechanismen lösen müssen.
Das klassische Verfahren ist Word Sense Disambiguation, kurz WSD. Ein Klassifikator bewertet für jede mehrdeutige Wortform die Wahrscheinlichkeit jeder möglichen Bedeutung auf Basis des lokalen Kontexts. Moderne Sprachmodelle lösen dieses Problem implizit, weil ihre kontextuellen Embeddings semantisch ähnliche Verwendungen im Vektorraum näher zusammenlegen.
Ohne funktionierende Disambiguierung produzieren semantische Systeme Rauschen statt Wissen.
Disambiguierungsverfahren in semantischen Systemen: Von Heuristiken zu Transformern
Disambiguierung ist ein gelöstes Problem, soweit es das in der Linguistik überhaupt gibt. Aktuelle Systeme erreichen menschliche Genauigkeit in vielen Domänen.
Das einfachste Verfahren ist die Most-Frequent-Sense-Heuristic: Wähle immer die häufigste Bedeutung eines Wortes. In ausgewogenen Korpora ist das erstaunlich effektiv, in domänenspezifischen Texten aber unzuverlässig. Finanzartikel verwenden Bank anders als Reiseberichte.
Knowledge-based Approaches nutzen externe Ressourcen wie WordNet oder DBpedia, um Bedeutungen über ihre Definitionen und Beziehungen zu unterscheiden. Der Lesk-Algorithmus vergleicht die Überlappung zwischen Wortkontext und Bedeutungsdefinition. Das ist interpretierbar, aber langsam.
Moderne Systeme setzen auf Transformermodelle, die Embeddings auf Satzebene berechnen. Gleich geschriebene Wörter in verschiedenen Kontexten erzeugen unterschiedliche Vektoren. Entity Linking zu Wissensbasen wie Wikidata oder DBpedia kann auf Basis dieser Vektoren entscheiden, welche Entität gemeint ist.
Für semantische Infrastrukturen ist Disambiguierung keine optionale Verbesserung. Sie ist die Voraussetzung dafür, dass Entitätserkennung zuverlässig funktioniert und strukturierte Daten korrekte Fakten enthalten, keine statistischen Zufallstreffer.