Vortrag im Rahmen des Workshops "Anwendung von Clustering-Verfahren zur Verbesserung und Analyse von Katalogdaten" auf dem 5. Kongress Bibliothek und Information Deutschland vom 11. bis 14. März 2013 in Leipzig.

1. Automatisches Generieren von
Konkordanzen
Prof. Magnus Pfeffer
Hochschule der Medien, Stuttgart
pfeffer@hdm-stuttgart.de

2. Überblick
 Grundidee
 Optimierung durch Clustering
 Projekt: Konkordanz RVK ↔ DDC
13. März 2013 5. Kongress Bibliothek und Information

3. Grundidee
13. März 2013 5. Kongress Bibliothek und Information

4. Instanzbasierter Vergleich
 Datenbasis:
Mehrfach erschlossene Einträge in Katalogen
13. März 2013 5. Kongress Bibliothek und Information

5. Instanzbasierter Vergleich
 Annahmen
 Inhaltlich überlappende Klassen treten zusammen auf
 Häufigkeit des Auftretens ist ein Indiz für die Stärke des
Zusammenhangs
 Aufbereitung
 Extraktion aller Paare aus zwei Erschließungssystemen
 Aufsummieren der vorkommenden Paare
13. März 2013 5. Kongress Bibliothek und Information

6. Beispiel
13. März 2013 5. Kongress Bibliothek und Information

7. Beispiel
 Titel 1  Paare
 DDC: 179.9  179.9 / CC 7200
 RVK: CC 7200  179.9 / CC 7250
 RVK: CC 7250  179.9 / CC 7200
 Titel 2
 DDC: 179.9
 RVK: CC 7200
13. März 2013 5. Kongress Bibliothek und Information

8. Instanzbasierter Vergleich
 Auswertung
 am Beispiel zweier Klassifikationen A und B
 Zwei Klassen treten ausschließlich als Paar auf
 1:1 Zuordnung = exakte Übereinstimmung
 Klasse aus A hat immer denselben Partner aus B, der
hat aber auch andere Partner aus A
 N:1 Zuordnung = Klasse aus A ist engeres Konzept
 Klasse aus A tritt mit mehreren Partnern auf
 1:N Zuordnung = Klasse aus A ist weiter gefasstes Konzept
 Aber: Klasse tritt nicht auf
 Keine Folgerung möglich
13. März 2013 5. Kongress Bibliothek und Information

9. Beispiel
 Auswertung für DDC
 2 mal 179.9 / CC 7200
 1 mal 179.9 / CC 7250
 Ergebnis
 179.9 narrowMatch CC 7200
 179.9 narrowMatch CC 7250
13. März 2013 5. Kongress Bibliothek und Information

10. Beispiel
 Auswertung für RVK
 2 mal CC 7200 / 179.9
 1 mal CC 7250 / 179.9
 Ergebnis
 CC 7200 broadMatch 179.9
 CC 7250 broadMatch 179.9
13. März 2013 5. Kongress Bibliothek und Information

11. Optimierung durch Clustering
13. März 2013 5. Kongress Bibliothek und Information

12. Titeldaten sind anders
 Mehrere Auflagen
 Mehrere Ausgaben
13. März 2013 5. Kongress Bibliothek und Information

13. Titeldaten
 Mehrere Ausgaben und Auflagen verfälschen die
Statistik
 Paare werden mehrfach erfasst
 Keine Vergleichbarkeit der absoluten Häufigkeiten
 Lösung: Auswertung der Cluster anstelle der
einzelnen Titel
 Häufigkeiten werden direkt vergleichbar
 „Stärke“ der Korrelationen können ermittelt werden
 „Ausreißer“ können sicher erkannt und entfernt werden
13. März 2013 5. Kongress Bibliothek und Information

14. Projekt:
Konkordanz RVK ↔ DDC
13. März 2013 5. Kongress Bibliothek und Information

15. Datenbasis
 Alle deutschen Verbundkataloge
 SWB
 BVB
 GBV
 HeBIS
 HBZ
 DNB
13. März 2013 5. Kongress Bibliothek und Information

16. Umsetzung
 Metafactory
 Aufbereiten von MAB2 und MARC21 Daten
 Clustering auf Werksebene
 Keygenerierung für Matching-Prozess
 Matching und Clusterbildung (transitive Hülle)
 Sammeln der Erschließungsinformationen im Cluster
 Statistik
 Auszählen des gemeinsamen Auftretens von Klassen
 Ausgabe
 Mappings einzelner Klassen
 Beide Richtungen
13. März 2013 5. Kongress Bibliothek und Information

17. Offene Fragen
 Enthalten die Titeldaten nach dem Clustering
genügend auswertbare Erschließungen?
 Macht es Sinn, einen globalen Cut-Off zu verwenden,
um Ausreißer zu verwerfen?
 Oder ist es besser, jede Klasse gesondert
auszuwerten?
 Wie kann eine effiziente Qualitätssicherung betrieben
werden?
13. März 2013 5. Kongress Bibliothek und Information

18. Danke für Ihre Aufmerksamkeit!
Folien online unter
http://www.slideshare.net/MagnusPfeffer/
Dieses Werk bzw. Inhalt steht unter einer
Creative Commons Namensnennung - Weitergabe unter gleichen Bedingungen 3.0 Unported Lizenz.
13. März 2013 5. Kongress Bibliothek und Information