Advertisement

Datenbank-Spektrum

, Volume 11, Issue 3, pp 195–206 | Cite as

Interaktive explorative Suche in großen Dokumentbeständen

  • Gerhard Heyer
  • Daniel Keim
  • Sven Teresniak
  • Daniela Oelke
Schwerpunktbeitrag
  • 193 Downloads

Zusammenfassung

Im klassischen Paradigma des Information Retrievals steht das Finden von Dokumenten im Vordergrund, die Informationen bzw. Fakten enthalten, die dem vermuteten Informationsbedürfnis des Nutzers entsprechen. Dabei stellt der Nutzer solche Anfragen an das Informationssystem, von denen er annimmt, dass dazu eindeutige Antworten im Informationssystem vorhanden sind, die lediglich zurückgeliefert oder gefunden werden müssen. In vielen Fällen ist der Benutzer aber weniger an den Fakten selber interessiert, als vielmehr daran, wie über Fakten berichtet wird: Über welche Fakten wird berichtet? Nach welchen Kriterien werden Fakten ausgewählt? Wie werden Fakten bewertet? Welche Konzeptualisierungen der Anwendungsdomäne werden vorausgesetzt? Und wie ändern sich Bewertungen und Konzeptualisierungen über die Zeit? Der vorgestellte Ansatz skizziert eine mögliche Lösung für die explorative Suche in großen Datenmengen.

Literatur

  1. 1.
    Broder A (2002) A taxonomy of web search. SIGIR Forum 36(2):3–10 CrossRefGoogle Scholar
  2. 2.
    Couvering EV (2005) Web behaviour: search engines in context Google Scholar
  3. 3.
    Fluit C, Sabou M, van Harmelen F (2005) Ontology-based information visualisation: towards semantic web applications. In: Geroimenko V (Hrsg) Visualising the semantic web, 2nd Aufl. Springer, Berlin Google Scholar
  4. 4.
    Geng L, Hamilton HJ (2006) Interestingness measures for data mining: a survey. ACM Comput Surv 38(3) Google Scholar
  5. 5.
    Gottwald S, Richter M, Heyer G, Scheuermann G (2008) Tapping huge temporally indexed textual resources with wctanalyze. In: Proceedings of the LREC 2008, Marrakech, Morroco Google Scholar
  6. 6.
    Heim P, Ziegler J (2011) Faceted visual exploration of semantic data. In: Achim E, Allan D, Gershon N, Pohl M (Hrsg) Human aspects of visualization. Lecture notes in computer science, Bd 6431. Springer, Berlin, S 58–75 CrossRefGoogle Scholar
  7. 7.
    Heyer G, Holz F, Teresniak S (2009) Change of topics over time—tracking topics by their change of meaning. In: Proc of int conf on knowledge discovery and information retrieval (KDIR ’09) Google Scholar
  8. 8.
    Holz F, Teresniak S (2010) Towards automatic detection and tracking of topic change. In: Gelbukh A (Hrsg) Proc Iaşi: conference on intelligent text processing and computational linguistics (CICLing 2010). Lecture notes in computer science, Bd 6008. Springer, Berlin Google Scholar
  9. 9.
    Keim DA (2000) Designing pixel-oriented visualization techniques: theory and applications. IEEE Trans Vis Comput Graph 6(1):59–78 CrossRefGoogle Scholar
  10. 10.
    Keim DA, Kohlhammer J, Ellis G, Mansmann F (2010) Mastering the information age—solving problems with visual analytics. In: Eurographics Google Scholar
  11. 11.
    Kleinberg J (2002) Bursty and hierarchical structure in streams. In: Proceedings of the eighth ACM SIGKDD international conference on knowledge discovery and data mining (KDD ’02), New York, NY, USA. ACM, New York, S 91–101 CrossRefGoogle Scholar
  12. 12.
    Kumaran G, Allan J (2004) Text classification and named entities for new event detection. In: Proceedings of the 27th annual international ACM SIGIR conference on research and development in information retrieval (SIGIR ’04), New York, NY, USA. ACM, New York, S 297–304 Google Scholar
  13. 13.
    Marchionini G (2006) Exploratory search: from finding to understanding. Commun ACM 49:41–46 CrossRefGoogle Scholar
  14. 14.
    Matthews M, Tolchinsky P, Blanco R, Atserias J, Mika P, Zaragoza H (2010) Searching through time in the New York Times. In: HCIR Challange 2010 Google Scholar
  15. 15.
    Rasmussen E (2009) Characterizing, supporting and evaluating exploratory search. In: Belkin N, Marchionini G (Hrsg) Proceedings of the NSF workshop, information seeking support systems, Chapel Hill, University of Carolina, S 30–32 Google Scholar
  16. 16.
    Rohrdantz C, Koch S, Jochim C, Heyer G, Scheuermann G, Ertl T, Schütze H, Keim DA (2010) Visuelle textanalyse. Inform.-Spektrum 33:601–611. 10.1007/s00287-010-0483-x CrossRefGoogle Scholar
  17. 17.
    Shneiderman B, Byrd D, Croft BW (1997) Clarifying search: a user-interface framework for text searches. D-Lib Mag Google Scholar
  18. 18.
    Soboroff I, Harman D (2005) Novelty detection: the TREC experience. In: In HLT/EMNLP, S 105–112 Google Scholar
  19. 19.
    Swan R, Allan J (1999) Extracting significant time varying features from text. In: Proceedings of the eighth international conference on information and knowledge management (CIKM ’99), New York, NY, USA. ACM, New York, S 38–45 CrossRefGoogle Scholar
  20. 20.
    Teresniak S, Heyer G, Scheuermann G, Holz F (2009) Visualisierung von bedeutungsverschiebungen in großen diachronen dokumentkollektionen. Datenbank-Spektrum 31:33–39 Google Scholar
  21. 21.
    Ueberall M, Drobnik O (2007) Facet-based exploratory search in topic maps. In: Maicher L, Garshol LM (Hrsg) Proc fourth int’l conference on topic maps research and applications (TMRA), 2007. Leipziger Informatik-Verbund, Leipzig Google Scholar
  22. 22.
    Waitelonis J, Knuth M, Wolf L, Hercher J, Sack H (2010) The path is the destination—enabling a new search paradigm with linked data. In: Proc of linked data in the future internet at the future internet assembly, S 700 Google Scholar
  23. 23.
    Wang X, McCallum A (2006) Topics over time: a non-Markov continuous-time model of topical trends. In: Proceedings of the 12th ACM SIGKDD international conference on knowledge discovery and data mining (KDD ’06), New York, NY, USA. ACM, New York, S 424–433 CrossRefGoogle Scholar

Copyright information

© Springer-Verlag 2011

Authors and Affiliations

  • Gerhard Heyer
    • 1
  • Daniel Keim
    • 1
  • Sven Teresniak
    • 1
  • Daniela Oelke
    • 1
  1. 1.University of LeipzigLeipzigDeutschland

Personalised recommendations