Roman-Typen als Topic-Model-Klassen? Was ist eine Romangattung und können Algorithmen uns helfen, darüber nachzudenken?

Ab wann gilt ein Roman als Liebesroman? Wo liegt der Unterschied zwischen Science-Fiction- und Fantasyromanen? Können wir diese Unterschiede und Gattungszuweisungen automatisiert von Algorithmen erkennen lassen? Und wenn ja, wie sollen wir das tun? Diese Fragen wurden bei der Digital Humanities Cologne Colloquiums-Sitzung am 6. Juli besprochen. Anlass war ein Vortrag von Ulrike Henny (Universität Würzburg), die im Rahmen des Computional Literary Genre Stylistics (CLiGS) Programms Hispanoamerikanische Romane und deren Gattungen untersucht. Da Frau Henny noch mitten in der Arbeit steckt, hat Sie den Teilnehmern des Kolloquiums die Möglichkeit gegeben, einen ersten Blick auf die vorläufigen Ergebnisse Ihrer Arbeit zu werfen.

Die Grundthese hinter Hennys Vorgehen lässt sich wie folgt zusammenfassen: Maßgeblich zur Erkennung und Bestimmung von Romangattungen sind die Themen, die im betrachteten Text respektive Roman Erwähnung finden. Um diese Themen analysetauglich zu extrahieren, nutzt Henny das Topic-Modeling. Ziel dieses Verfahrens ist es, Themen aus dem Roman als Topics abzubilden. Ein Topic-Model besteht aus allen Wörtern des Eingabetextes, wobei diese nach Gewichtung sortiert werden. Das so entstehende Ranking stellt in der Theorie die Bedeutung des entsprechenden Topics dar. Für andere Geisteswissenschaftler im Publikum wird die Aufzählung entsprechender Topic-Modeling-Tools eine passende Einführung gewesen sein. Ich als Informationsverarbeiter hätte an dieser Stelle gerne ein bisschen mehr über diesen Modeling-Prozess gehört, der nicht nur den Namen der Sitzung bestimmte (Roman-Typen als Topic-Model-Klassen?), sondern darüber hinaus auch das Herzstück des „Werkstattberichts“ von Frau Henny zu sein schien.

David M. Blei (2012): Probabilistic Topic Models. Communications of the ACM, Vol. 55, No. 4, p. 78.
Fünf Beispiele für Topics. Die Zahlen dienen als ID und tragen keine weitere Bedeutung. Die rechts gelisteten Begriffe stellen nur die acht wichtigsten Begriffe des jeweiligen Topics dar. Tatsächlich sind alle Begriffe des Inputs Teil eines jeden Topics.

Das Verfahren beruht auf einer semantischen Analyse, die (wie es ja nicht unüblich ist bei semantischen Analysen) auf den Kookkurrenzen der betrachteten Types basiert. Soll heißen, dass die Bedeutung von Types durch die Worte in deren Umgebung erkennbar ist. Bekannte und oft eingesetzte Verfahren, die diese Theorie im Hintergrund haben, sind zum Beispiel Bag of Words oder Hyperspace Analogue to Language (HAL). Darüber hinaus scheint das Verfahren Worte mit nicht kontextabhängigem semantischen Gehalt niedriger zu gewichten. D. h. Worte, die an vielen unterschiedlichen Stellen auftauchen und nicht an einen oder wenige Kontexte gebunden sind, werden als semantisch irrelevant gewertet. Das erklärt, warum die oft als Stopwords bezeichneten funktionalen Terme wie Konjunktionen oder Artikel nicht unter den ersten gezeigten Begriffen der Topics vorkommen.

Im Fall der vorgestellten Arbeit wird zur Generierung des Topic-Models das Open-Source-Tool Mallet genutzt. Das Ergebnis sind 80 Topics, die sich zum Teil schon auf den ersten Blick einem Thema zuordnen lassen. Z. B. kann interpretiert werden, dass das Topic mit den ersten drei Begriffen corazón, lágrima und alma (Deutsch: Herz, Träne und Seele) das Thema Liebe oder Liebeskummer abbildet. Leider trifft das nicht auf alle Topics zu, denn es gibt auch Einträge wie palabra, asunto und posible (Deutsch: Wort, Sache und vielleicht), welche relativ schwer zu deuten ist. Tatsächlich ist diese Deutungsfrage zwar interessant, um den Prozess nachvollziehen zu können, jedoch ist es nicht die Aufgabe der betrachtenden Menschen die Topics und deren Themen zu deuten. Stattdessen werden die erzeugten Topics in den folgenden Schritten als Input für Cluster- und Klassifizierungsalgorithmen genutzt. Der an dieser Stelle relevante Unterschied zwischen Clustering und Klassifizierung liegt darin, dass bei der Klassifizierung die Zahl der Klassen vorgegeben wird, wohingegen Clustering die Muster von verschiedenen Eingaben erkennen und somit daraus selbstständig Gruppierungen (Cluster) erstellen soll. In diesem konkreten Fall wurde eine Klassifizierung mittels eines Decision Trees implementiert. Der große Vorteil dieses Verfahrens liegt darin, dass es verrät, auf Grundlage welcher Entscheidungen bestimmte Zuordnungen zustande kommen. Auf diese Weise wird erkenntlich, welche Themen entscheidend zum Einordnen von Romanen in Gattungen sind. Zum Generieren des Baums wird in diesem Fall die Python-Bibliothek sklearn genutzt. Statt alle Gattungen als mögliche Klassen zuzulassen, findet hier u. a. ein Klassifizierungsprozess Verwendung, der sich auf drei Gattungen (historical, sentimental und costumbrista) beschränkt. Das Testergebnis zeigt hierbei eine Genauigkeit von 58,3%. Wird die Anzahl der Klassen auf vier Klassen erhöht sinkt die Genauigkeit auf 41,9%.

Ein Decisiontree mit Angaben zu Topics (erste Zahl in jedem Kasten) und der zugehörigen Klasse. Ein Pfeil nach links zeigt eine Entscheidung „true“ eine Pfeil nach rechts „false“ an.

Als erstes Ergebnis dieses Verfahrens bleibt festzuhalten, dass bei Weitem nicht alle Topics zur Klassifizierung genutzt werden. Außerdem kann vermutet werden, dass die verschiedenen Untergattungen die Entscheidungen erschweren.

Im Gegensatz zur Klassifizierung, überprüft Clustering nicht, ob Romane einer geeigneten Gattung zugeordnet werden, sondern analysiert deren Muster und bündelte ähnliche Romane zu Gruppen. Diese können anschließend auf deren tatsächliche Gattung überprüft werden. Im hier vorgestellte Projekt wurde ein in Python implementiertes k-means Clusterverfahren genutzt, leider mit nur mäßigem Erfolg, denn die Ergebnisse weisen je nach Einstellung keine oder nur mäßige Übereinstimmungen mit den tatsächlichen Gattungen auf. Es entstehen demnach keine Cluster mit Romanen die alle die selbe Gattung aufweisen.

An dieser Stelle sollten zwei Dinge festgehalten werden. Erstens gibt es in dem bis hierhin beschriebenen Prozess extrem viele Parameter, die modifiziert werden können. Sowohl das Topic-Modeling, als auch die Auswahl und das anschließende Clusterverfahren sind an vielen Stellen konfigurierbar. Da das Projekt noch in einer frühen Phase ist, werden die richtigen Hebel hier noch zu finden sein. Der zweite Punkt betrifft das verwendete Korpus, denn die Beschaffung von Hispanoamerikanischen Romanen des 19. Jahrhunderts stellt eine Herausforderung dar. Da u. a. viele der Texte dieser Zeit als Digitalisate vorliegen, gestaltet sich der Aufbau des Korpus als schwierig. So erklärt sich, dass das Korpus in der aktuellen Fassung rund 200 Romane aus Mexiko, Argentinien und Kuba umfasst. Die folgende Übersicht zeigt, wie viele Romane in den jeweiligen Dekaden zu erwarten sind und wie viele es bisher in das Korpus geschafft haben.

Übersicht über das Korpus (Stand Juli 2017). Der gelben Balken zeigen die existierende Anzahl an Romanen und die Grünen wie viele dieser Teil des jetzigen Korpus sind.

Der erste Einblick in Ulrike Hennys Arbeit zeigt, welche Schwierigkeiten bei einer solchen Ausarbeitung auftauchen können. Von der Wahl geeigneter Verfahren, deren Justierung über die Ergebnisevaluierung bis hin zur Erstellung eines brauchbaren Korpus können viele Stolpersteine auftauchen. Spannend wird zu sehen, wie sich das Projekt durch Anpassungen in der kommenden Zeit verändern und verbessern wird.

Zur Referentin: Ulrike Henny studierte Regionalwissenschaften Lateinamerikas in Köln. Dort arbeitete Sie anschließend am Cologne Center for eHumanities (CceH). Derzeit ist sie Mitglied der Cumputional Literary Genre Stylistics (CliGS) in Würzburg und Doktorandin an der Graduiertenschule für die Geisteswissenschaften.

Zum Autor: Peter Seipel ist Wissenschaftlicher Mitarbeiter an der Sprachlichen Informationsverarbeitung der Uni Köln, wo er den Bachelor im Fach Informationsverarbeitung absolvierte. Bevor er nach Köln kam, beendete er sein Philosophiestudium in Marburg an der Lahn. Derzeit studiert er im 1-Fach-Master Informationsverarbeitung.


3 Gedanken zu „Roman-Typen als Topic-Model-Klassen? Was ist eine Romangattung und können Algorithmen uns helfen, darüber nachzudenken?“

  1. Guten Tag,
    ich würde gerne mal einen der großen Romane von Martin Mosebach als auswertbaren Text haben.
    Wie man dann Auswertungen macht, wäre erst die zweite Priorität.
    Kann man heutzutage Romane als Volltext bekommen?
    Gruß und Danke für Tipps
    Anton Kunz, Frankfurt, info@anton-kunz.de

    1. Lieber Herr Kunz,
      Ihre Frage ist sehr leicht oder auch sehr schwer zu beantworten, je nachdem, wie man es betrachtet. Herr Mosebach ist weit davon entfernt, 60 70 Jahre tot zu sein, so dass sein Werk – so er es nicht selbst unter eine entsprechende Lizenz gestellt hat – nicht gemeinfrei ist. Einen, wie Sie meinen, “auswertbaren Text” können Sie sich relativ einfach [mit mehr oder weniger (il)legalem Aufwand] aus einer aus einer eBook-Ausgabe extrahieren, falls es eine solche geben sollte. Eine entsprechende Nutzung ist aber wahrscheinlich nicht im Erwerb des eBooks inbegriffen und müsste mit dem Verlag und/oder dem Autor ausgehandelt werden, wenn Sie nicht illegal handeln wollen. Herzlich Willkommen im deutschen Urheberrecht. Die Antwort macht vielleicht auch verständlich, weshalb meist nur historische Romane, deren Autor|innen schon längere Zeit nicht mehr unter den lebenden weilen, mit digitalen Methoden ausgewertet werden 🙂

      1. Ganz herzlichen Dank,
        wenn Sie einen pfiffigen Studenten kennen, der ein paar Euro verdienen will, dann kann der mir gerne mal zeigen, wie man ein ebook extrahiert. Ich “knete” seit Jahrzehnten Daten, aber mehr in der Unternehmensberatung. Mit ebooks habe ich nur auf dem kindle zu tun (lesend).
        Das soll auch ein rein privates Hobby sein und nicht zu irgendeiner Veröffentlichung dienen.
        Gruß und Danke Anton Kunz

Schreibe einen Kommentar

Deine E-Mail-Adresse wird nicht veröffentlicht.

Diese Website verwendet Akismet, um Spam zu reduzieren. Erfahre mehr darüber, wie deine Kommentardaten verarbeitet werden.