Mit fremder Hilfe

Das Thema dieser Artikelserie – „Text Mining im Überblick“ – ist die Analyse unstrukturierter Daten, und das sind im üblichen Computeralltag vor allem Texte: in E-Mails, Artikeln oder sonstigen schriftlichen Beiträgen. Der erste Teil hat sich mit den Anwendungsmöglichkeiten, den Zielen und der Einordnung der Verfahren von Text Mining beschäftigt [1]. Im zweiten Teil ging es darum, die Möglichkeiten der Text­analyse mit eigenen Algorithmen zu erkunden [2]. Algorithmen zerlegen den Text in seine Bestandteile, das heißt in Wörter und Satzzeichen, filtern sogenannte Stopp-Wörter heraus, die inhaltlich ohne Bedeutung sind, und bestimmen maßgebende Kennzahlen wie zum Beispiel die Häufigkeit, mit der ein Wort vorkommt. Auch grafisch kann man die gewonnenen Ergebnisse präsentieren, zum Beispiel in Form einer Wortwolke. Bei der Implementierung von eigenen Algorithmen für das Text Mining stellt sich jedoch auch heraus, dass diese sehr schnell recht komplex werden. Sie zu entwerfen und zu implementieren ist alles andere als trivial. Hinzu kommt der Umstand, dass Text Mining als spezielles Verfahren des Data Mining sehr häufig auf weitergehende Methoden und Analyseansätze zurückgreift. Das sind heute sehr häufig Verfahren der künstlichen Intelligenz (KI). KI wiede­rum erfordert in der Regel zuvor einen aufwendigen Lernprozess auf der Basis von umfassenden Trainingsdaten.