Sprachliche Mensch-Maschine-Kommunikation

286 16. Verwendung von Sprachmodellen
eine ähnliche Orthographie oder phonetische Umschrift haben. Darüber
hinaus werden thematisch ähnlich Wörter auch betrachtet. [?] konnte durch
den Einsatz von HDLA die Fehlerraten von Spracherkennern um 25% bis
29% verbessern.
16.7.3 Kompositabildung
Im Deutschen sowie in einigen anderen Sprachen gibt es wesentlich mehr als
im Englischen Probleme mit der Bildung von Komposita. Zwar können auch
Komposita-Verben (zurückhalten, nachdenken) und Komposita-Adjektive
(blaugrün, kleinkariert) gebildet werden, der weitaus größte Teil sind aber
Komposita-Substantive. Betrachtet man die ca. 1.6 Millionen verschiedene
Wörter, die im Laufe eines Jahres in einer deutschen Tageszeitung vorkommen
und untersucht diejenigen, die nicht zu den häufigsten ca. 100 000
gehören, so fallen darunter drei Gruppen auf: seltene Flexionsformen,
Eigennamen und Komposita. Es ist relativ einfach möglich, einen Großteil
der Komposita in ihre Komponenten zu zerlegen. Dazu genügt es, zu
untersuchen, ob sie sich aus kürzeren Wörtern zusammensetzen lassen. Auf
diese Art ist es möglich, einfach alle Texte zu zerlegen, so daß nur noch
sehr wenige Komposita vorkommen. Die Menge der verschiedenen Wörter
in einem zerlegten Text kann so dramatisch verkleinert werden, was dem
Vokabular und der Qualität des dann berechneten Sprachmodells zugute
kommt.
Bei der Zerlegung ist es wichtig, einige Heuristiken anzuwenden. Die
wichtigste ist, daß keine zu kleinen Komponenten betrachtet werden.
Wörter mit nur drei oder weniger Buchstaben erzeugen Probleme, weil
viele ” normale“ Wörter, die eigentliche keine Komposita sind sich aus ihnen
zusammensetzen lassen (zum Beispiel: Bei-Spiel, ab-er, An-Ton, Stand-Art
usw.). So erweist sich die Auftrennung in Wörter von mindestens vier
Buchstaben als guter Kompromiß. Es entstehen dann immer noch einige
falsche Zerlegungen (zum Beispiel Verein-Barte). Von diesen können aber
häufigsten manuell korrigiert werden, und die seltenen fallen kaum ins
Gewicht.
Ein Erkenner, der nur einzelne Wörter erkennt, produziert dann Hypothesen
der Art ” Der Staats Sekretär sagte ...“. Für einen deutschen
Muttersprachler ist diese Getrenntschreibung (selbst nach der in dieser
Beziehung sehr toleranten neuen Rechtschreibung) sofort als unkorrekt zu
erkennen. Es ist daher wünschenswert, daß eine Instanz des Erkenners solche
Wörter zusammenfügt, so daß ” Der Staatssekretär sagte ...“ als Hypothese
heraus kommt. An der verbreiteten Diskussion zur neuen deutschen Rechtschreibung
ist zu erkennen, daß in vielen Fällen selbst Muttersprachler