Teilautomatisierte Verschlagwortung von in altdeutschen Schriftfonts gesetzten Texten mit Hilfe lernender Verfahren

Die Dissertation von Lothar Mischke lässt sich in aktuelle Forschungsbestrebungen zur Wahrung des kulturellen Erbes, insbesondere durch den Aufbau historischer Teilkorpora zu Literatur einer bestimmten Epoche, ausgewählter Autoren oder eines Genres einordnen. Alle diese Bestrebungen haben mit der Tatsache zu kämpfen, dass Texte deutscher Sprache vor 1930 im Allgemeinen in altdeutschen Schriftfonts gesetzt sind, die in sich stark differieren. Dadurch entziehen sie sich einer automatischen Digitalisierung mit den gängigen OCR-Programmen. Da zudem vor der Rechtschreibreform 1901 vielfältige historische Schreibungen auftreten, die sich von modernen Schreibungen deutlich unterscheiden, war man bisher darauf angewiesen, zur Unterstützung spezieller OCR-Software in der Erkennungsphase wie auch in Suchanfragen für jede Sprachregion und Epoche spezielle Wörterbücher und Grammatikmodelle bereitzustellen, was mit hohem Aufwand verbunden ist.

So steht am Ausgangspunkt dieser Arbeit die Fragestellung, ob unter Verzicht auf eine Volltexterkennung eine automatisierte Schlagworterkennung in diesen Korpora ohne Nutzung von Spezialwörterbüchern fehlertolerant gegenüber historischen oder OCR-bedingten Schreibvarianten möglich ist. Hier betritt die Arbeit Neuland im Umfeld der Weiterentwicklung und des Einsatzes von intelligenten Algorithmen der Bildverarbeitung und Mustererkennung und Klassifizierung. Sie entwickelt eine umfassende Methodik zur Schlagworterkennung, -lokalisierung und -annotation und trägt dabei neue wissenschaftliche Erkenntnisse zu den folgenden Punkten bei:

* Dokumentrestaurierung: Es werden typische Bildstörungen wie Schattenbildung, Schieflage und Dokumentverzerrungen modellunabhängig über die Kombination bekannter und die Entwicklung neuer Verfahren korrigiert
* Vorklassifikation: Anhand neuer robuster Merkmale und eines entscheidungsbaumbasierten Verfahrens findet eine Zeichenvorklassifizierung statt
* Erkennung: Entwicklung einer lernfähigen zeichen-, kontext- und ganzwortbasierten Teiltexterkennung unter Extrahierung hierarchisch organisierter Layoutinformation
* Systemerstellung: Organisation der Arbeitsschritte der Digitalisierung, Segmentierung, Layoutanalyse, Bildrestaurierung, Textteilerkennung und Schlagwortlokalisation automatisiert oder schrittweise benutzergesteuert.

Dazu wird ausgehend von Beiträgen der aktuellen wissenschaftlichen Diskussion ein Erkenner für Zeichen altdeutscher Fonts entwickelt, der mit Hilfe von Gruppen Neuronaler Netze bzw. Support-Vektor-Maschinen eine Klassifizierung mit überwachten Verfahren vornimmt. Darüber hinaus entwirft der Autor ein kontextbasiertes Omnifont-Erkennungssystem beruhend auf unüberwachter Clusteranalyse und implementiert es auch. Die Erkennungsparameter Precision und Recall liegen hier im Schnitt bei 97.5 % bzw. 92.5 %. Schließlich wird bei der Schlagwortsuche ein optimistisches Kombinationsverfahren vorgestellt, mit dessen Hilfe eine Rangordnung auf Basis eines gewichteten Mehrheitsvotums der beteiligten Erkenner entsteht, bei der in mehr als 90 % aller Fälle der beste Treffer bereits das gesuchte Schlagwort darstellt.