Methoden der Netzwerkanalyse im Topic Modeling

Abstract

Durch die Digitalisierung liegen immer mehr Sammlungen von Dokumenten in elektonischer Form vor. Es ist sehr aufwendig diese alle zu lesen, um die Hauptthemen und damit den Inhalt des Textes wiederzugeben. Topic Modeling, als eine wichtige Technik im Text Mining, kann die thematische Struktur einer großen Sammlung an Textdokumenten zusammenfassen. Um Topics in einer Dokumentensammlung zu bestimmen, können unterschiedliche Topic Modeling Methoden angewendet werden: Es gibt probabilistisch begründete Methoden des Topic Modelings. Unter diesen ist LDA (Latent Dirichlet Allocation) eine sehr verbreitete und häufig verwendete. Alternativ dazu wird von unterschiedlichen Autoren in neuerer Zeit ein anderer Zugang zum Topic Modeling vorgeschlagen, der Sammlungen von Dokumenten als Netzwerke auffasst und Themen mit Methoden der Community Detection zu identifizieren versucht. Hauptanliegen dieser Arbeit ist es, verschiedene Varianten dieses Ansatzes gegenüberzustellen und aussichtsreiche Modelle auf Probleme, die für den DLR Think Tank relevant sind, anzuwenden - insbesondere im Bereich der Trenderkennung. Deshalb werden die Verfahren an zwei Datensätzen aus diesem Kontext erprobt, nämlich den Kleinen Anfragen an die Bundesregierung und den Publikationen der elib DLR-Publikationsdatenbank. Es zeigt sich, dass hierbei insbesondere Community Detection über die Optimierung der Netzwerk-Modularität mittels Louvain-Algorithmus bessere Ergebnisse als die State-of-the-Art-Methode LDA liefert.