DiaCollo: diachronen Kollokationen auf der Spur

Abstract
Wir präsentieren DiaCollo, ein Softwarewerkzeug zur
effizienten Extraktion, zum Vergleich und zur interaktiven Visualisierung von
Kollokationen aus einem diachronen Textkorpus. Im Gegensatz zu konventioneller
Kollokationssoftware eignet sich DiaCollo für die
Verarbeitung diachroner Kollokationsdaten: Kollokationspaare, deren
Assoziationsstärke vom Zeitpunkt ihres Auftretens abhängt. Durch das Aufspüren
von Veränderungen in den charakteristischen Kollokaten eines Worts im zeitlichen
Verlauf kann DiaCollo dazu beitragen, ein klareres Bild
von Veränderungsprozessen der Wortsemantik zu zeichnen.

Einführung
In den letzten Jahren sind immer mehr große diachrone Textkorpora zu
Forschungszwecken verfügbar gemacht geworden (z. B. Geyken et al. 2011; Davies
2012). Die durch diese Korpora abgedeckten großen Zeitspannen stellen diverse
Herausforderungen an konventionelle Techniken der maschinellen Verarbeitung
natürlicher Sprache, die ihrerseits oft auf impliziten Annahmen der
Korpushomogenität basieren – insbesondere der zeitliche Achse betreffend.
Tatsächlich haben sogar vermeintlich synchrone Zeitungskorpora eine nicht
triviale temporale Extension und können bei entsprechender Behandlung
zeitabhängige Phänomene zeigen (Scharloth et al. 2013). In dieser Arbeit gehen
wir auf das Problem der automatischen Erstellung von Kollokationensprofilen
(Church / Hanks 1990 und Evert 2005) in diachronen Korpora ein, indem wir ein
neues, explizit für diesen Zweck entwickeltes Softwarewerkzeug DiaCollo vorstellen, das dem Benutzer ermöglicht, für jede Abfrage
selber die Granularität der diachronen Achse frei zu wählen. Im Gegensatz zu
konventionellen Kollokationswerkzeugen wie dem
DWDS Wortprofil
(Didakowski /
Geyken 2014) oder dem
Sketch Engine

(Kilgarriff / Tugwell 2002) eignet sich DiaCollo zur
Extraktion und Analyse diachroner Kollokationsdaten: Kollokationspaare, deren
Assoziationsstärke von dem Zeitpunkt ihres Auftretens abhängt. Durch das
Aufspüren von Veränderungen in den typischen Kollokaten eines Worts im
zeitlichen Verlauf und Anwendung von J. R. Firths berühmtem Prinzip “ you shall know a word by the company it keeps”, kann DiaCollo helfen, ein klareres Bild diachroner
Veränderungen im Wortgebrauch zu liefern.

Implementierung

DiaCollo ist als modulare Perl Bibliothek implementiert,
einschließlich wiederverwendbaren Klassen zum Umgang mit nativen
Binärindexstrukturen. DiaCollo Indizes sind für
Hochlastumgebungen geeignet, da kein persistenter Server-Prozess benötigt wird
und jeglicher Laufzeitzugriff auf native Indexstrukturen über direkten
Dateisystem I/O stattfindet. Über die programmatische API der Perl-Module hinaus
bietet DiaCollo sowohl eine Befehlszeilenschnittstelle
als auch einen öffentlich zugänglichen RESTful Webservice mit einer
formularbasierten Benutzerschnittstelle zur Auswertung von Datenbankanfragen und
einer interaktiven Visualisierung der Anfrageergebnisse. Ein öffentlich
zugängliches Web-Frontend für das Korpus des Deutschen Textarchivs ist unter
http://kaskade.dwds.de/dstar/dta/diacollo zu finden; der
vollständige Quellcode ist via CPAN erhältlich.

Anfragen & Parameter

DiaCollo ist ein anfrageorientierter Dienst. Er
behandelt eine Benutzeranfrage als eine Menge von (Parameter=Wert)-Paaren
und liefert ein korrespondierendes Profil
für den/die angefragten Term(e) zurück. Die Parameter werden wie bei einem
üblichen Web-Formular an den Service RESTfully via HTTP GET oder POST
Anfrage überreicht. Jede Anfrage muss einen query
Parameter enthalten, der den oder die zu profilierenden Zielterm(e)
spezifiziert. Der date Parameter selegiert die
gewünschte Zeitspanne, während die Granulariät der zurückgelieferten
Profildaten mithilfe des slice Parameters durch
Angabe der Grösse einer einzelnen Profilepoche festgelegt werden kann.
Kollokatkandidaten können über den groupby Parameter
gefiltert werden, und die Bereinigung (“pruning”) der zurückzuliefernden
‘besten’ Kollokaten wird von den Parametern score,
kbest und global
gesteuert.

Profile & Diffs
Das Ergebnis einer einfachen DiaCollo Anfrage wird als
tabellarisches Profil der k-best Kollokate für
den/die angefragte(n) Term(e) in jedem der angefragten Zeit-Subintervalle
ausgegeben (“Epochen” oder “Slices”, e.g. Dekaden), die mit den Parameter
date und slice
spezifiziert wurden. Als Alternative kann der Benutzer auch ein
Vergleichs- bzw. “Diff”-Profil anfordern, um die salientesten Unterschiede
zwischen zwei unabhängigen Anfragen hervorzuheben; z. B. zwischen zwei
verschiedenen Worten oder zwischen den Vorkommen eines Wortes in
verschiedenen Zeitintervallen, Teilkorpora oder lexikalischen Umgebungen.

Indizes, Attribute & Aggregierung

DiaCollo benutzt eine interne “native” Indexstruktur
über alle Inhaltswörter des Eingabekorpus, um Kollokationsprofile zu
berechnen. Jedes indizierte Wort wird als n-Tupel
linguistisch relevanten Token- oder Dokumentattribute behandelt, zusätzlich
zum Dokumentdatum. Die Attribute Lemma (l) und Pos (p) (“part-of-speech”) werden per Default
indiziert. Die Anfrageparameter query und
groupby werden als logische Konjunktionen von
Suchkriterien bezüglich dieser Attribute interpretiert, um die genauen zu
profilierenden Token-Tupel zu selegieren. Um eine feinkörnigere Auswahl von
Profilzielen zu ermöglichen, unterstützt DiaCollo den gesamten Umfang der
DDC-Abfragesprache (Sokirko 2003; Jurish et al. 2014), wenn die
DiaCollo-Instanz mit einem zugrundeliegenden DDC Server assoziiert ist.

Scoring & Pruning

DiaCollo weist jedem Kollokat

w
2
eines unären Profils für einen Zielterm

w
1
mittels einer
benutzerspezifizierten Scorefunktion einen
reellwertigen Assoziationswert (“score”) zu. Zu den unterstützten
Scorefunktionen zählen absolute und logarithmische Frequenzen
(f, lf), normierte absolute und logarithmische
Frequenzen pro Mio. Token (fm, lfm), das
pointwise mutual information × log Frequenz Produkt
(mi), und der von Rychlý (2008) vorgeschlagene
skalierte log-Dice Koeffizient (ld).
Kollokatkandidaten werden nach Assoziationswert absteigend geordnet und die
k-besten Kandidaten jeder Epoche ausgewählt und
zurückgegeben. Für “diff” Anfragen werden unabhängige Profile

p
a
und

p
b
jeweils für die
query und bquery Parameter berechnet.
Nach der Sortierung anhand der selegierten Scorefunktion wird ein
Vergleichsprofil
p
a−b
berechnet
als

p
a−b

:
w
2

↦

p
a
(
w
2
)
−

p
b
(
w
2
)
für jeden der bis zu 2k
Kollokate

w
2

∈
k-best(
p
a
)
∪
k-best(
p
b
),
wonach die k-besten von diesen Kandidaten
mit den größten absoluten Unterschieden
|p
a−b(

w
2)|
selegiert und zurückgegeben werden.

Ausgabe & Visualisierung

DiaCollo unterstützt verschiedene Ausgabeformate für
die zurückgelieferte Profildaten, darunter TAB-getrennten Text, natives JSON
für die weitere automatische Verarbeitung sowie einfaches tabellarisches
HTML. Zusätzlich zu den statischen tabellarischen Formaten bietet der
Webservice-Plugin auch mehrere interaktive Online-Visualisierungen für
diachrone Profildaten, unter anderem zweidimensionale Zeitreihen mithilfe
der Highcharts JavaScript Bibliothek, Flash-basierten Motion Charts mithilfe
der Google Motion Charts Bibliothek und dynamische Bubble- und Tag-Cloud
Visualisierungen mithilfe der D3.js Bibliothek. Das HTML sowie die
D3-basierten Formate bieten eine intuitive farbkodierte Repräsentation der
Assoziationsscores (bzw. Score-Unterschiede bei “diff”-Profilen) für jedes
Kollokationspaar sowie Hyperlinks zu den zugrundeliegenden Korpus-Treffer
(“KWIC-links”) für jeden abgebildeten Datenpunkt. Beispiele für die
Zeitreihen-, Tag-Cloud- und Bubble-Visualisierungen sind in den Abbildungen
1–3 zu finden.

Abb. 1: DiaCollo
Zeitreihe für die zehn global besten nominale Hyponyme des GermaNet
(Hamp / Feldweg 1997; Henrich / Hinrichs 2010) SynSets Getränk unmittelbar links vom Verb trinken in 50-Jahres Epochen über den
Gesamtbestand des Deutschen Textarchivs und DWDS-Kernkorpus.

Fallstudien

Zeitgeschichte
Ein Anwendungsgebiet für DiaCollo stellt die
(zeit-)historische Forschung dar. Insbesondere politische Prozesse können
durch die zeitscheibenbasierte Analyse von DiaCollo auf neue Weise
beschrieben werden. Das Potenzial von DiaCollo soll
hier kurz am Beispiel des Begriffs “Krise” in der Wochenzeitung DIE ZEIT
skizziert werden (Abbildung 2). Da der Begriff “Krise” eine inhärent
instabile Situation bezeichnet, kann davon ausgegangen werden, dass die
damit assoziierten Diskursumgebungen im zeitlichen Verlauf stark variieren.
Dies sollte sich auch in den Kollokationsprofilen von DiaCollo niederschlagen. Mittels DiaCollo
lassen sich Eigennamen (Personen, Orte, Institutionen) extrahieren, die als
Kollokationspartner von “Krise” in der ZEIT auftreten. Eine Analyse der
Zeitreihe dieser Kollokate zeigt, dass mittels DiaCollo korrekt politische Krisen (etwa in den 2000ern “CDU”),
ökonomische Krisen (in den 1980ern “AEG”, in den 1990ern die Finanzkrise in
Südostasien), aber auch konflikthafte Krisen (z. B. Jugoslawien in den
1990ern) ermittelt werden können. Je nach Granularität der Abfrage werden
auch die Ergebnisse komplexer und damit auch für den Experten interessanter.
Ihre Interpretation bedarf dann in der Regel weiterer manueller
Aufarbeitung, z.B. mithilfe der von DiaCollo bereitgestellten Verknüpfung
mit der zugrundeliegenden Textbasis.

Abb. 2: DiaCollo
dynamische Tag-Cloud Visualisierung der zehn besten
Eigennamenkollokaten für “Krise” in der Wochenzeitung DIE ZEIT für die Epochen 1980-1989 (oben
links), 1990–1999 (oben rechts), 2000–2009 (unten links) und
2010–2014 (unten rechts).

Lexikographie
Ein weiteres Anwendungsgebiet von DiaCollo ist die
Lexikographie. Da Kollokationen und die Beschreibung des Bedeutungsspektrums
(Lesarten) eines Wortes eng miteinander zusammenhängen, lassen sich aus
zeitlichen Verläufen von Kollokationen wichtige lexikographische Befunde
ableiten: die Verlagerung der Gewichtung von Lesarten untereinander oder das
Verschwinden einer Lesart zugunsten einer anderen können dadurch ebenso
nachverfolgt werden wie das Auftauchen von neuen Lesarten (Neosemanteme).
Bekannte Beispiele hierfür sind Wörter wie ‘Maus’ (als Computermaus) oder
‘Ampel’ (in der politischen Bedeutung), die seit den späten 1980er bzw. den
frühen 1990er Jahren im öffentlichen Sprachgebrauch sind. Ein komplexeres
Beispiel stellt das Adjektiv ‘autofrei’ dar. Dieses ist im Duden definiert
als “keinen Autoverkehr aufweisend”. Eine genauere Sicht auf die
Korpusbelege ergibt, dass das Wort zwei Unterbedeutungen aufweist: erstens
die “(per Verordnung) auferlegte Autofreiheit”, die durch die Öllkrise in
den 1970er Jahren in der Kollokation ‘autofreier Sonntag’ erstmals auftrat
und später in Verbindungen wie ‘autofreie Innenstädte’ ein
Bedeutungserweiterung erfuhr. In den 1990er Jahren bildet sich die zweite
Bedeutung des Wortes heraus, bei der der Verzicht auf das Auto auf
Selbstverpflichtung beruht (vgl. http://zwei.dwds.de/wb/autofrei). Diese Lesart ist durch
Kollokationen wie ‘autofreie Wohnanlage’ oder ‘autofreie Siedlung’
gekennzeichnet. Mit DiaCollo lassen sich beide
Bedeutungen nicht nur unterscheiden, sondern auch in ihrem zeitlichen
Verlauf nachverfolgen (Abbildung 3).

Abb. 3: DiaCollo
dynamische Bubble-Chart Visualisierung der zehn besten Kollokaten
des Ajdketivs autofrei im aggregierten DWDS Zeitungskorpus für die
Epochen 1985–1989 (links) und 1990–1994 (rechts).

Zusammenfassung
Wir haben hier DiaCollo vorgestellt, ein neues
Softwarewerkzeug für die effiziente Extraktion, den Vergleich und die
interaktive Visualisierung von Kollokationen, speziell zugeschnitten auf die
besonderen Anforderungen diachroner Textkorpora. Darüber hinaus haben wir anhand
von zwei Fallstudien skizziert, wie DiaCollo als
modularer Webservice-Plugin Forscher in den Geistes- und Sozialwissenschaften
dabei unterstützen kann, ein klareres Bild der diachronen Variation in der
Verwendung eines Wortes zu erhalten.

Bibliographie

Church, Kenneth Ward / Hanks, Patrick (1990): "Word
association norms, mutual information, and lexicography", in: Computational Linguistics 16, 1: 22–29.

Davies, Mark (2012): "Expanding horizons in historical
linguistics with the 400-million word Corpus of Historical American
English", in: Corpora 7, 2: 121–157 http://davies-linguistics.byu.edu/ling450/davies_corpora_2011.pdf
[letzter Zugriff 08. Februar 2016].

Didakowski, Jörg / Geyken, Alexander (2014): "From DWDS
corpora to a German word profile – methodological problems and solutions",
in Abel, Andrea / Lemnitzer, Lothar (eds.):
Vernetzungsstrategien, Zugriffsstrukturen und automatisch ermittelte
Angaben in Internetwörterbüchern (= OPAL 2014, 2). Mannheim:
Institut für Deutsche Sprache 39-47 http://www.dwds.de/static/website/publications/pdf/
didakowski_geyken_internetlexikografie _2012_final.pdf [letzter
Zugriff 08. Februar 2016].

Evert, Stefan (2005): The Statistics
of Word Cooccurrences. Word Pairs and Collocations. PhD, Institut
für maschinelle Sprachverarbeitung, Universität Stuttgart http://elib.uni-stuttgart.de/opus/volltexte/2005/2371/pdf/Evert2005phd.pdf
[letzter Zugriff 08. Februar 2016].

Geyken, Alexander / Haaf, Susanne / Jurish, Bryan / Schulz,
Matthias / Steinmann, Jakob / Thomas, Christian / Wiegand, Frank
(2011): "Das Deutsche Textarchiv: Vom historischen Korpus zum aktiven
Archiv", in Schomburg, Silke / Leggewie, Claus / Lobin, Henning / Puschmann,
Cornelius (eds.): Digitale Wissenschaft. Stand und
Entwicklung digital vernetzter Forschung in Deutschland. Köln: hbz 157– 161
http://www.hbz-nrw.de/dokumentencenter/veroeffentlichungen/Tagung_Digitale_Wiss
enschaft.pdf#page=159 [letzter Zugriff 08. Februar 2016].

Hamp, Birgit / Feldweg, Helmut (1997): "GermaNet – a
lexical-semantic net for German", in: Proceedings of the
ACL workshop Automatic Information Extraction and Building of Lexical
Semantic Resources for NLP Applications 9-15.

Henrich, Verena / Hinrichs, Erhard (2010): "GernEdiT –
the GermaNet editing tool", in: Proceedings of the ACL
2010 System Demonstrations 19-24 http://www.aclweb.org/anthology/P10-4004 [letzter Zugriff 08.
Februar 2016].

Jurish, Bryan / Thomas, Christian / Wiegand, Frank
(2014): "Querying the Deutsches Textarchiv", in: Proceedings of the Workshop Beyond Single-Shot Text Queries.
Bridging the Gap(s) between Research Communities (MindTheGap 2014) 25–30
http://ceur-ws.org/Vol-1131/mindthegap14_7.pdf [letzter Zugriff
08. Februar 2016].

Kilgarriff, Adam / Tugwell, David (2002): "Sketching
words", in: Corréard, Marie.-Hélène (ed.): Lexicography
and Natural Language Processing: A Festschrift in Honour of B. T. S.
Atkins. United Kingdom: EURALEX 125–137 http://www.kilgarriff.co.uk/Publications/
2002-KilgTugwell-AtkinsFest.pdf [letzter Zugriff 08. Februar
2016].

Rychlý , Pavel (2008): "A lexicographer-friendly
association score", in: Proceedings of Recent Advances in
Slavonic Natural Language Processing. RASLAN, 6–9 http://www.fi.muni.cz/usr/sojka/download/raslan2008/13.pdf
[letzter Zugriff 08. Februar 2016].

Scharloth, Joachim / Eugster, David / Bubenhofer, Noah
(2013): "Das Wuchern der Rhizome. Linguistische Diskursanalyse und
Data-driven Turn", in: Busse, Dietrich / Teubert, Wolfgang (eds.): Linguistische Diskursanalyse. Neue Perspektiven.
Wiesbaden: VS Verlag 345–380 http://www.scharloth.com/files/Rhizom_Zeit.pdf [letzter Zugriff
08. Februar 2016].

Sokirko, Alexey (2003): "A technical overview of
DWDS/Dialing Concordance", Vortrag beim Workshop Computational linguistics and intellectual technologies. Protvino.
http://www.aot.ru/docs/OverviewOfConcordance.htm [letzter Zugriff
08. Februar 2016].