NB-BibliothecaNova 0414nett
NB-BibliothecaNova 0414nett
NB-BibliothecaNova 0414nett
Create successful ePaper yourself
Turn your PDF publications into a flip-book with our unique Google optimized e-Paper software.
Emneord vil typisk være mer generelle enn innholdsord. I<br />
indekseringen av en bok kan ordene kunst og skulpturer benyttes<br />
som beskrivende emneord, mens boken selv handler om<br />
spesifikke figurer i Vigelandsparken, eller om Vigeland selv.<br />
Innholdsord vil typisk være lavere plassert i et semantisk<br />
hierarki enn det emneordene er, gjerne som semantiske rammer<br />
for flere aktører eller objekter; Vigeland er en aktør som<br />
lager skulpturer. Andre relasjoner mellom innhold og emne<br />
kan være i taksonomiske hierarkier som forholdet mellom<br />
Lars G. Johnsen,<br />
egg og næringsmiddel, men også der emneordene er knyttet<br />
forskningsbibliotekar,<br />
til begrepet matlaging som komponenter. Begrepet setter opp Nasjonalbiblioteket.<br />
en ramme der objekter som melk, mel og salt inngår, mens Foto: Nasjonalbiblioteket<br />
begrepet religion setter opp en ramme for relasjoner mellom gud, profeter<br />
og frelse, samtidig som det står i et taksonomisk forhold til kristendom og<br />
hinduisme, for å nevne noe.<br />
En metode som skal foreslå typiske innholdsord fra en tekst, bør kunne<br />
relatere forslagene enten taksonomisk eller via de semantiske rammene for<br />
emneordene i den klassifiserte teksten.<br />
De digitaliserte tekstene er gjort maskinlesbare via OCR-behandling 2 , og<br />
er derfor tilgjengelig for ordtelling. Datagrunnlaget er Nasjonalbibliotekets<br />
samling av digitaliserte bøker som har fått en Deweyklassifikasjon (heretter<br />
DDK – Deweys desimalklassifikasjon).<br />
Informasjonen som skal eskes ut er bøkenes implisitte informasjon om forholdet<br />
mellom innholdsord, klassifikasjonskode (Dewey) og emneord. Ordene<br />
i en klassifisert bok vil være indirekte koblet til bokens klassifikasjonskode;<br />
vi kan si at ordene arver klassifikasjonen fra boken de står i. Altså, et ord er<br />
koblet til en spesifikk klassifikasjonskode når boken det står i er slik koblet.<br />
DATAINNSAMLING<br />
De to hovedgruppene, emneord og innholdsord, er hentet ut fra BIBSYS og<br />
fra bokhyllamaterialet, henholdsvis. Titlene er fra en liste over digitalisert<br />
materiale frem til 2013. Fra disse velges bokmåls- og nynorsktekster, og<br />
kun de som er entydig klassifisert som bokmål eller nynorsk; flerspråklige<br />
verk er ikke tatt med. Totalt utgjør det ca. 240 000 titler, hvorav ca. 144 000<br />
2 OCR (Optical Character Recognition) – gjenkjenning av bokstaver og ord fra bilder av<br />
skrift.<br />
65