Data
Mining im Internet
Helga Walter (Wuppertal)
Data Mining im Internet nimmt für die
Informationsbeschaffung eine immer größere Bedeutung ein. Als
Recherche-Hilfsmittel für das Data Mining im Internet stehen
Internet-Suchmaschinen zur Verfügung. Die Funktionalität konventioneller
Suchmaschinen ist begrenzt. Intelligente Suchmaschinen sind klassischen /
themenspezifischen Suchmaschinen deutlich überlegen. Ein Test der intelligenten
Suchmaschine InsumaScout zeigt folgende Vorteile:
·
Lernfähiger Crawler (Internetsuche und
Selektionsprozess werden durch Bewertung des Benutzers kontinuierlich
verfeinert)
·
Hohe Aktualität durch erhöhte Suchfrequenz
·
Relevante Informationen durch aufwendige Selektion
·
Bildung suchbarer Hit-Kollektionen
·
Automatische Dubletteneliminierung
·
Einfacher und schneller durchführbar als manuelle
Suche
Data Mining in the Internet is of increasing importance
for information retrieval. Internet search engines are used as search tools for
Data Mining. Conventional search engines offer only a limited functionality for
information retrieval. Intelligent search engines are advantageous to classical
/ specific Internet search engines. A test of the intelligent search engine
InsumaScout reveals the following advanced functionality:
·
Adaptive crawler (Internet
search and selection process are continuously refined by user-rating)
·
High timeliness by increased
search frequency
·
Providing relevant
information by sophisticated selection procedures
·
Creation of searchable hit
collections
·
Automatic elimination of
duplicates
·
Easier and faster to perform
than manual retrieval
Strukturierte und nicht-strukturierte
Informationen
Wissenschaftliche Informationen lassen sich in strukturierte und
nicht-strukturierte Informationen aufteilen. Zu den strukturierten Informationen
zählen z.B. bibliographische Datenbanken (Medline, Embase, etc.).
Charakteristisch für bibliographische Datenbanken ist, dass die Dokumente einem
logischen Aufbau folgen. Die einzelnen Dokumente sind in bestimmte Felder, wie
z.B. AUTOR / TITEL / QUELLE / ABSTRACT, aufgeteilt. Mittels einer bestimmten
Suchfunktion ist jedes Dokument recherchierbar. Als Recherchehilfsmittel kann
ein Thesaurus (z.B. MeSH, Emtree) eingesetzt werden.
Abb.
1: Dokument aus der Datenbank Medline, recherchiert bei dimdi.de
Nicht-strukturierte Informationen sind z.B. Textdateien,
Multimediadateien und Internetdokumente. Diese liegen in den Formaten WORD,
PDF, HTML, etc. vor. Bei der Recherche handelt es sich um eine Volltextsuche.
Problematisch erweist sich das Auffinden relevanter Informationen aus
nicht-strukturierten Quellen.
Abb. 2: Internetdokument, Quelle:
netdoktor.de
Für
die Informationsbeschaffung gewinnen neben den strukturierten
Informationsquellen auch die nicht-strukturierten Informationsquellen immer
mehr an Bedeutung.
Data Mining im Internet - Bedeutung
für die Informationsbeschaffung
Bibliographische
Datenbanken sind für die Suche nach wissenschaftlicher Information nach wie vor
unabdingbar. Dennoch nimmt das Internet als Informationsquelle einen immer
größeren Stellenwert ein. Dies gilt vor allem bei der Recherche nach
Informationen, die nicht über die herkömmlichen Informationsquellen zu finden
sind. Die Suche nach der „Stecknadel im
Heuhaufen“ kann zu einem bedeutenden Wissensvorsprung führen. Data Mining
erschließt das Internet als
nicht-strukturierte Informationsquelle. Im Internet kann so nach frühen
Hinweisen auf Forschungsergebnisse (neue Ansätze, Methoden), noch nicht publizierten
Ideen, Expertenforen, Meinungsbildnern, aktuellen Übersichten und Vorträgen zu
bestimmten Themen, etc. recherchiert werden.
Abb. 3: Homepage der Harvard
Medical School
Konventionelle Internet-Suchmaschinen
Als
Recherche-Hilfsmittel für das Data Mining im Internet stehen eine Reihe von
Internet-Suchmaschinen zur Verfügung. Zu den allgemeinen Suchmaschinen zählen
u.a. Google, AltaVista und Metasuchmaschinen. Northern Light, ChemGuide (FIZ
Chemie) und MedPharmGuide sind spezialisierte, themenspezifische Suchmaschinen.
ChemGuide konzentriert sich beispielsweise auf chemiebezogene Internetseiten.
Abb. 4: Suchmaschinen Google, AltaVista und ChemGuide
Die
konventionellen Suchmaschinen arbeiten nach folgendem Prinzip. Zunächst erfolgt
eine Eingabe von einem oder mehreren Suchbegriffen. Diese werden in den
indizierten Seiten gesucht. Das Suchergebnis wird als Trefferliste angezeigt.
Die Funktionalität herkömmlicher Internet-Suchmaschinen ist begrenzt. Bei
komplexen Suchanfragen ist die Grenze der Suchmaschine schnell erreicht. Viele
Internet-Suchmaschinen bieten weder eine Speicher- und Editierfunktion für die
Suchstrategie noch eine „Selective Dissemination of Information“
(SDI)-Funktion. Als Ergebnis werden große Treffermengen ausgegeben, die
überwiegend irrelevant sein können. Die Durchführung der Recherche und das
Sichten der Treffer erfordern einen hohen Zeitaufwand.
Die
genannten Schwierigkeiten haben die Informationsabteilung der Bayer Pharma
Forschung dazu veranlasst, den Nutzen einer intelligenten Suchmaschine für das
Data Mining im Internet zu testen.
Intelligente Suchmaschine InsumaScout
Der
InsumaScout wurde von der Insuma GmbH in Tübingen (INSUMA=intelligente
Suchmaschinen) entwickelt. Diese Suchmaschine bietet folgende Vorteile:
Die
Suche läuft automatisiert ab, der Nutzer muss nicht – wie bei den
konventionellen Suchmaschinen – die Recherche manuell anstoßen. Dies führt zu
einer erheblichen Arbeitserleichterung, da hier auch komplexe Suchanfragen
gelöst werden können. Die Anzahl der Suchbegriffe ist nicht begrenzt. Die
Suchstrategie kann neben einzelnen Suchbegriffen auch Textblöcke bzw. ganze
Textseiten und Internetadressen enthalten. Bei der Recherche handelt es sich um
individualisierte Suchprozeduren. Das Programm ist, im Gegensatz zu klassischen
Internet-Suchmaschinen, auf den einzelnen Nutzer zugeschnitten. Das Prinzip von
InsumaScout zeichnet sich durch eine gewichtete Suche über einen lernfähigen
Crawler aus. Ein Crawler ist ein Informationsagent, der im Internet "auf
der Jagd" nach relevanten Internetlinks ist. Die Arbeitsweise des
intelligenten Crawlers lässt sich wie folgt beschreiben:
Der
themenspezifische, lernfähige Crawler durchsucht das Internet und sammelt
Primärhits. Diese werden in einem zweiten Arbeitsschritt gefiltert. Um den
Filter passieren zu können, müssen bestimmte Voraussetzungen erfüllt werden.
Das Ergebnis sind selektierte Hits, die automatisch vorsortiert werden. Der
Anteil der relevanten Treffer ist, verglichen mit den Ergebnissen aus den
konventionellen Suchmaschinen, deutlich erhöht. Dem Nutzer stehen die
Ergebnisse aus den einzelnen Recherche-Durchläufen in suchbaren Kollektionen
zur Verfügung.
Internet
Themenspezifischer,
lernfähiger Filter /
Crawler
Ausgewählte Hits
Vorsortierung
Abb.
5: Selektionsprinzip des InsumaScout
Aufbauphase der intelligenten
Suchmaschine
Als
erster Schritt muss der Filter aufgebaut werden, dann erfolgt der Start des
Crawlers. Ein Filter versteht sich als Schlagwortliste mit dazugehöriger Gewichtung.
Zum Generieren eines Filters ist eine Ausgangsinformation nötig. Diese setzt
sich zusammen aus:
·
Liste relevanter URLs
(Startadressen)
·
Schlagwortliste
·
Textblöcke aus Präsentationen,
Publikationen, etc.
·
Textblöcke aus Internetseiten
Die
Art und Menge der Startinformation beeinflusst die Ausgangs-Qualität des
Filters.
Abb. 6: URLs und Textblock aus einer Internetseite als
Beispiel für Ausgangsinformation
Der Crawler
durchsucht das Internet in einem ersten Durchlauf. Im Selektionsprozess erfolgt
das Auffinden themenspezifischer Dokumente. Duplikate (identische URLs) werden
automatisch eliminiert. Es kommt zum Aufbau einer themenspezifischen Kollektion
(Trefferliste). Die Treffer werden in Ähnlichkeits-Clustern nach Relevanz oder nach
URLs sortiert. Dem Nutzer wird das Suchergebnis in einem „Control Center“
angezeigt.
Abb. 7: Workflow InsumaScout
Routinephase der intelligenten
Suchmaschine
Die
Routinephase zeichnet sich durch kontinuierliches Lernen des Filters aus. Der
Filter verändert sich durch das Beurteilen der Treffer (Rating) oder durch
Hinzufügen bzw. Entfernen von URLs, Schlagwörtern und Textblöcken. Je mehr
Dokumente als relevant beurteilt werden, desto höher ist die Filterqualität und
die Qualität der Treffer im nächsten Durchlauf.
Für
das Beurteilen stehen fünf Relevanzstufen von „+2“ bis „-2“ zur Verfügung.
In
der Routinephase werden die Dokumente durch den Nutzer bewertet, was
anschließend zur Anpassung des Filters
führt.
InsumaScout – Recherchethemen
In
einem Pilotprojekt wurden drei sehr unterschiedliche Recherchethemen getestet.
Alzheimer'sche
Erkrankung Terminologie eindeutig
Kardiovaskuläre Erkrankung Terminologie
nicht immer eindeutig
Naturstoffe Terminologie nicht eindeutig (im Sinne
pharmazeutischer Anwendung)
Anhand
der unterschiedlichen Fragestellungen sollte festgestellt werden, wie eine
intelligente Suchmaschine mit Themen, die klar definierbar sind, aber auch mit
Themen, für die es nicht immer eine genau definierbare und eindeutige
Terminologie gibt, umgeht. Diese drei Themen wurden über einen längeren
Zeitraum getestet. Die daraus resultierenden Ergebnisse wurden mit den Treffern
aus den konventionellen Suchmaschinen verglichen. Dabei wurde festgestellt, dass
die intelligente Suchmaschine in der Lage ist, eine hohe Bandbreite an
Fragestellungen zu bearbeiten.
Eine
Untersuchung der Qualität der Treffer ergab folgendes Ergebnis:
Zu
den Themen "Alzheimer'sche Erkrankung" und "Naturstoffe"
wurden jeweils 2600 Dokumente (100 Dokumente pro Woche) durch Endnutzer
bewertet.
Als relevant (Relevanz +1 bzw. +2) beurteilt wurden bei "Alzheimer" 19% und
bei "Naturstoffe" 28%. Bei herkömmlichen Suchmaschinen wurde dagegen
nur eine Relevanz von unter 5% beobachtet.
Intelligente Suchmaschine –
Rechercheergebnisse und Fazit
Eine
intelligente Suchmaschine kann nicht die gesamte intellektuelle Arbeit eines
Nutzers ersetzen. Sie nimmt dem Nutzer jedoch einen großen Teil der
Routine-Arbeit ab und analysiert die Suchergebnisse.
Es gibt
Schwierigkeiten und Grenzen, an die auch eine solche Suchmaschine stoßen kann.
Dazu zählen von der Terminologie her relevante, aber für den Nutzer bereits
bekannte Informationen. Internet-Links mit wissenschaftlich niedrigem Anspruch
sind für einen Wissenschaftler uninteressant. Dazu zählen z.B. Patientenforen
oder Übersichten zu bestimmten Krankheiten für Laien. Diese Internetseiten
bieten selten einen Neuheitswert und überwiegend keinen wissenschaftlichen
Anspruch.
Publikationen
aus wissenschaftlichen Zeitschriften werden besser durch die Literaturrecherche
in bibliographischen Datenbanken abgedeckt.
In
der Trefferliste können Links enthalten sein, die ein aktuelles Datum haben,
deren Inhalt jedoch veraltet ist. Hierbei handelt es sich um ein generelles
Problem der Suchmaschinen.
Die
Vorteile der intelligenten Suchmaschine übertreffen die Nachteile bei weitem.
Zu den wichtigsten Vorzügen zählt der intelligente, lernfähige Crawler, der in
einem aufwendigen Selektionsprozess relevante Internetsites ermittelt. Die
Anzahl irrelevanter Hits ist stark reduziert. Der Nutzer muss nicht
umfangreiche Trefferlisten sichten, um ein paar wenige relevante Dokumente zu
finden. Der Arbeitsaufwand, um relevante Treffer zu finden, ist demnach
deutlich reduziert.
Die
erhöhte Suchfrequenz erlaubt das Auffinden hochaktueller Informationen. Der
Nutzer hat die Möglichkeit, die Suchfrequenz individuell festzulegen.
Ein
weiterer Vorteil ist die automatische Dubletteneliminierung. Das Programm
erkennt identische URLs und zeigt diese nicht mehrfach an. Dadurch bleibt dem
Nutzer unnötiger Ballast erspart.
Die
Rechercheergebnisse werden für den Nutzer weiter aufbereitet. Es werden
themenspezifische Kollektionen aufgebaut. Die Dokumente können in
Ähnlichkeits-Clustern nach Relevanz oder nach URLs angezeigt werden. Die
einzelnen Kollektionen sind anschließend für den Nutzer recherchierbar.
Die
automatisierte Suche bietet dem Anwender großen Nutzen. Die Recherche kann
einfacher und schneller durchgeführt werden als die manuelle Suche mit
herkömmlichen Suchmaschinen.
Bei
dem Vergleich zwischen konventionellen
und intelligenten Suchmaschinen stellt sich heraus, dass sie sich in der
Funktionalität deutlich unterscheiden. Intelligente Suchmaschinen sind klar
überlegen. Um im Internet komplexe Suchanfragen mit möglichst geringem Aufwand
und intelligenter Analyse bewältigen zu können, sollten die Vorzüge einer
intelligenten Suchmaschine genutzt werden.
Dipl.-Dok. Helga Walter
Bayer
HealthCare AG
Pharma
Forschung
Wissenschaftliche
Information und Dokumentation
D-42096 Wuppertal
Tel.: +49 202 36 8241
Fax: +49 202 36 4200