Sprachliche Mensch-Maschine-Kommunikation

16.7 Adaption von Sprachmodellen 287
Schwierigkeiten damit haben, zu entscheiden, ob zwei aufeinanderfolgende
Wörter zusammen oder getrennt oder gar mit Bindestrich geschrieben
werden sollten. Spracherkenner machen dabei relativ viele Fehler. In [?] wird
festgestellt, daß unter den Fehlern, die ein Diktiererkenner auf deutschen
Nachrichtentexten Produziert, ca. 16% aller Fehler falsche Komposita sind.
Genauer gesagt, der Erkenner hat es versäumt zwei getrennt erkannte
Komponenten zu einem Kompositum zusammenzufügen.
Die erste Idee, das Problem anzugehen wird in [?] vorgestellt. Dabei
werden alle Zerlegungen, die beim Aufbereiten der Texte durchgeführt
wurden abgespeichert. Für jedes Wortpaar wird geprüft, ob es sich aus
zwei Komponenten zusammensetzen läßt, von denen die erste einmal das
Vorderteil und die zweite einmal das Hinterteil eines Kompositums war.
Wenn ja, wird aus dem Wortpaar ein einzelnes Wort gemacht. Würde
dabei verlangt werden, daß auch das entstehende Kompositum schon einmal
als ganzes im Trainingstext aufgetaucht war, würde man ja gerade den
Vorteil der Zerlegung entgegenwirken. Häufig vorkommende Komposita wie
” Bundeskanzler“ werden in der Regel gar nicht erst zerlegt, weil sie ohnehin
unter den häufigsten 100 000 Wörtern vorkommen. Eine Komposition von
Wörtern in der Erkennerhypothese ist damit im wesentlichen nur für die
seltenen Wörter wichtig, deren Auftrittswahrscheinlichkeit in irgendwelchen
Textdaten nahe null ist. In [?] wird berichtet, daß die Anwendung
der einfachen Regel ” wi war mal Vorne-Komponente und wi+1 war mal
Hinten-Komponente, dann füge wi und wi+1 zusammen“ nicht hilfreich
ist, im Gegenteil, die Wortfehlerrate steigt sogar an, weil nicht nur viele
Zusammenfügungen unterlassen werden sondern vor allem weil zu viele
falsche Zusammenfügungen gemacht werden.
Ein verfeinertes Kompositabildungsverfahren wird in [?] vorgestellt. Dabei
werden vor einer Prüfung ob wi eine Vorne-Komponente und wi+1 eine
Hinten-Komponente ist, noch einige Heuristiken angewendet. Der Algorithmus
ist eher dadurch motiviert, festzustellen, welche Substantiv-Paare nicht
kombiniert werden sollten. Abb. 16.5 skizziert den Entscheidungsalgorithmus.
Dabei wird zunächst geprüft, ob eines der Wörter ein Eigenname ist
(vergleich mit den häufigsten Eigennamen aus einem Telefonbuch). In den
seltensten Fällen ist eine Komponente eines Kompositums ein häufiger Eigenname.
Wenn kein Eigenname dabei ist, wird geprüft, ob zwei aufeinanderfolgende
Substantive zu einer Aufzählung gehören ( ” Substantiv1 Substantiv2
und/oder Substantiv3“). Zwar würden mit dieser Regel Hypothesen wie ” Die
Staats Sekretäre und Minister sagten ...“ fälschlicherweise als Aufzählung erkannt
werden, aber in der Praxis überwiegen die Fälle, in denen Substantive
nicht zusammengesetzt werden sollten, wenn sie in Aufzählungen auftauchen.
Sind die Substantive mit Adjektiven oder Artikel davor versehen greift die
Regel nicht oder sie müßte erheblich komplizierter implementiert werden.