text summarization sprachliche informationsverarbeitung ... · definition • „a summary is a...
TRANSCRIPT
Text Summarization
Sprachliche Informationsverarbeitung Computerlinguistik I
Dozent Juumlrgen Hermes
09022016
Sarah Ewerts
Uumlbersicht
bull Definition
bull Geschichte
bull Typen der Textzusammenfassung
bull Anwendung
bull Beispiele
bull Probleme
bull Quellen
Sarah Ewerts 09022016
Definition bull bdquoa summary is a text that is produced from one or
more texts that contains a significant portion of the
information in the original text(s) and that is no
longer than half of the original text(s)ldquo (Hovy 2003)
bull ldquoAn automatic summary is a text generated by a
software that is coherent and contains a significant
amount of relevant information from the source
text Its compression rate ĩ is less than a third of the
length of the original documentrdquo (Torres-Moreno
2014)
Sarah Ewerts 09022016
Geschichte bull 1955 - 1973 Erste Extraktion
o Algorithmen hatten statistische Ansaumltze
o Luhn 1958 Worthaumlufigkeit Position im Satz
bull 1961 - 1979 Linguistische Ansaumltze o Linguistische und strukturelle Zusammenhaumlnge werden beruumlcksichtigt
o Edmundson 1969 Behandlung von ausgewaumlhltem Korpus
Unterschiedliche Gewichtung verschiedener Saumltze amp Schluumlsselwoumlrter
bull 90er Jahre Comeback o 1995 Kupiec et al Indikatorphrasen fuumlr zentrale Aussagen ldquoIn
conclusionldquo Wortmerkmale (Groszligschreibung Laumlnge Haumlufigkeit)
Sarah Ewerts 09022016
Typen der Textzusammenfassung
bull Text-Extraktion o Zusammenfassung bildet sich aus Auswahl im Original vorhandener
Woumlrter Phrasen oder Saumltze
o GetDigest
bull Text-Abstraktion o Entwickeln interne semantische Repraumlsentation und nutzen Techniken zur
Textgenerierung Naumlher an menschlicher Zusammenfassung Kann Woumlrter enthalten die nicht im Original vorhanden sind
o Abstraction Assistant
bull Uumlberwiegende Konzentration auf Extraktion aufgrund der Komplexitaumlt abstrahierender Methoden
Sarah Ewerts 09022016
Typen der Textzusammenfassung
bull Computergestuumltzte Textzusammenfassung o Techniken des maschinellen Lernens aus Feldern Information Retrieval und
Data Mining
o Kombination von automatischen Methoden mit menschlichem Input
o Vorauswahl von wichtigen Passagen durch Mensch
o Nachbearbeitung des Ergebnisses durch Menschen
o CAST (Computer-Aided Summarization Tool)
Sarah Ewerts 09022016
Anwendung
bull Informationsflut
bull Filterung
bull Zeitersparnis
bull Kostenersparnis
Sarah Ewerts 09022016
Anwendung bull Schreibprogramme Word Open Office und
GoogleDocs bieten keine Autozusammenfassung
(mehr) an
bull Freie Tools online TextCompactor AutoSummarizer
bull Freie Demo-Versionen online GetDigest
EssentialMining
Sarah Ewerts 09022016
Beispiele bull Originaltext bdquoLittle Red Riding Hoodldquo der Gebruumlder
Grimm
(httpwwwworldoftalescomfairy_talesBrothers_Grim
mLITTLE20RED-
CAP205BLITTLE20RED20RIDING20HOOD5Dhtml)
bull GetDigest (Online Demo) (httpgetdigestcom)
bull TextCompactor (httpsessential-
miningcomsummarizeronlineindexjspuilang=de)
bull EssentialMining (Online Demo)(httpsessential-
miningcomsummarizeronlineindexjspuilang=de)
bull Autosummarizer (httpautosummarizercom)
Sarah Ewerts 09022016
Probleme bull Mensch kann Struktur Bedeutung und Relevanz von
Informationen erkennen ndash Maschine verarbeitet
Algorithmen
bull Generisch vs Benutzerfokussiert
bull auch menschliche Leser haben unterschiedliche
Auffassungen daruumlber welche Informationen wichtig sind Subjektivitaumlt
Sarah Ewerts 09022016
Quellen bull Hovy E (2003) Text Summarization In Rulsan
Mitkov The Oxford Handbook of Computational
Linguistics Oxford Oxford University Press
bull Torres-Moreno J-M(2014) Automatic Text
Summarization New York Wiley-ISTE
bull Wartala Ramon (2003) Erschlieszligung von groszligen
Textmengen Universitaumlt Heidelberg
bull Mani I et al (1999) Advances in Automatic Text
Summarization Cambridge Mass MIT Press
Sarah Ewerts 09022016
Quellen (Stand 08022016)
bull httpwwwiicmtugrazatcguetlcoursesisruearchiveuews2007Ue320Automatische20Text20Zusammenfassungpdf
bull httpwwwcscolumbiaedu~gmwcandidacyHahnMani00pdf
bull httprgclwlvacukprojectsCASTprogramsCASTcastphp
bull httplinguni-konstanzdepageshomezinsmeisterMLPMaterialTextzusammenfassungpdf
bull httpautosummarizercom
bull httpsessential-miningcomsummarizeronlineindexjspuilang=de
bull httptextcompactorcom
bull httpgetdigestcom
bull httpwwwworldoftalescomfairy_talesBrothers_GrimmLITTLE20RED-CAP205BLITTLE20RED20RIDING20HOOD5Dhtml
Sarah Ewerts 09022016
Vielen Dank fuumlr eure
Aufmerksamkeit
Uumlbersicht
bull Definition
bull Geschichte
bull Typen der Textzusammenfassung
bull Anwendung
bull Beispiele
bull Probleme
bull Quellen
Sarah Ewerts 09022016
Definition bull bdquoa summary is a text that is produced from one or
more texts that contains a significant portion of the
information in the original text(s) and that is no
longer than half of the original text(s)ldquo (Hovy 2003)
bull ldquoAn automatic summary is a text generated by a
software that is coherent and contains a significant
amount of relevant information from the source
text Its compression rate ĩ is less than a third of the
length of the original documentrdquo (Torres-Moreno
2014)
Sarah Ewerts 09022016
Geschichte bull 1955 - 1973 Erste Extraktion
o Algorithmen hatten statistische Ansaumltze
o Luhn 1958 Worthaumlufigkeit Position im Satz
bull 1961 - 1979 Linguistische Ansaumltze o Linguistische und strukturelle Zusammenhaumlnge werden beruumlcksichtigt
o Edmundson 1969 Behandlung von ausgewaumlhltem Korpus
Unterschiedliche Gewichtung verschiedener Saumltze amp Schluumlsselwoumlrter
bull 90er Jahre Comeback o 1995 Kupiec et al Indikatorphrasen fuumlr zentrale Aussagen ldquoIn
conclusionldquo Wortmerkmale (Groszligschreibung Laumlnge Haumlufigkeit)
Sarah Ewerts 09022016
Typen der Textzusammenfassung
bull Text-Extraktion o Zusammenfassung bildet sich aus Auswahl im Original vorhandener
Woumlrter Phrasen oder Saumltze
o GetDigest
bull Text-Abstraktion o Entwickeln interne semantische Repraumlsentation und nutzen Techniken zur
Textgenerierung Naumlher an menschlicher Zusammenfassung Kann Woumlrter enthalten die nicht im Original vorhanden sind
o Abstraction Assistant
bull Uumlberwiegende Konzentration auf Extraktion aufgrund der Komplexitaumlt abstrahierender Methoden
Sarah Ewerts 09022016
Typen der Textzusammenfassung
bull Computergestuumltzte Textzusammenfassung o Techniken des maschinellen Lernens aus Feldern Information Retrieval und
Data Mining
o Kombination von automatischen Methoden mit menschlichem Input
o Vorauswahl von wichtigen Passagen durch Mensch
o Nachbearbeitung des Ergebnisses durch Menschen
o CAST (Computer-Aided Summarization Tool)
Sarah Ewerts 09022016
Anwendung
bull Informationsflut
bull Filterung
bull Zeitersparnis
bull Kostenersparnis
Sarah Ewerts 09022016
Anwendung bull Schreibprogramme Word Open Office und
GoogleDocs bieten keine Autozusammenfassung
(mehr) an
bull Freie Tools online TextCompactor AutoSummarizer
bull Freie Demo-Versionen online GetDigest
EssentialMining
Sarah Ewerts 09022016
Beispiele bull Originaltext bdquoLittle Red Riding Hoodldquo der Gebruumlder
Grimm
(httpwwwworldoftalescomfairy_talesBrothers_Grim
mLITTLE20RED-
CAP205BLITTLE20RED20RIDING20HOOD5Dhtml)
bull GetDigest (Online Demo) (httpgetdigestcom)
bull TextCompactor (httpsessential-
miningcomsummarizeronlineindexjspuilang=de)
bull EssentialMining (Online Demo)(httpsessential-
miningcomsummarizeronlineindexjspuilang=de)
bull Autosummarizer (httpautosummarizercom)
Sarah Ewerts 09022016
Probleme bull Mensch kann Struktur Bedeutung und Relevanz von
Informationen erkennen ndash Maschine verarbeitet
Algorithmen
bull Generisch vs Benutzerfokussiert
bull auch menschliche Leser haben unterschiedliche
Auffassungen daruumlber welche Informationen wichtig sind Subjektivitaumlt
Sarah Ewerts 09022016
Quellen bull Hovy E (2003) Text Summarization In Rulsan
Mitkov The Oxford Handbook of Computational
Linguistics Oxford Oxford University Press
bull Torres-Moreno J-M(2014) Automatic Text
Summarization New York Wiley-ISTE
bull Wartala Ramon (2003) Erschlieszligung von groszligen
Textmengen Universitaumlt Heidelberg
bull Mani I et al (1999) Advances in Automatic Text
Summarization Cambridge Mass MIT Press
Sarah Ewerts 09022016
Quellen (Stand 08022016)
bull httpwwwiicmtugrazatcguetlcoursesisruearchiveuews2007Ue320Automatische20Text20Zusammenfassungpdf
bull httpwwwcscolumbiaedu~gmwcandidacyHahnMani00pdf
bull httprgclwlvacukprojectsCASTprogramsCASTcastphp
bull httplinguni-konstanzdepageshomezinsmeisterMLPMaterialTextzusammenfassungpdf
bull httpautosummarizercom
bull httpsessential-miningcomsummarizeronlineindexjspuilang=de
bull httptextcompactorcom
bull httpgetdigestcom
bull httpwwwworldoftalescomfairy_talesBrothers_GrimmLITTLE20RED-CAP205BLITTLE20RED20RIDING20HOOD5Dhtml
Sarah Ewerts 09022016
Vielen Dank fuumlr eure
Aufmerksamkeit
Definition bull bdquoa summary is a text that is produced from one or
more texts that contains a significant portion of the
information in the original text(s) and that is no
longer than half of the original text(s)ldquo (Hovy 2003)
bull ldquoAn automatic summary is a text generated by a
software that is coherent and contains a significant
amount of relevant information from the source
text Its compression rate ĩ is less than a third of the
length of the original documentrdquo (Torres-Moreno
2014)
Sarah Ewerts 09022016
Geschichte bull 1955 - 1973 Erste Extraktion
o Algorithmen hatten statistische Ansaumltze
o Luhn 1958 Worthaumlufigkeit Position im Satz
bull 1961 - 1979 Linguistische Ansaumltze o Linguistische und strukturelle Zusammenhaumlnge werden beruumlcksichtigt
o Edmundson 1969 Behandlung von ausgewaumlhltem Korpus
Unterschiedliche Gewichtung verschiedener Saumltze amp Schluumlsselwoumlrter
bull 90er Jahre Comeback o 1995 Kupiec et al Indikatorphrasen fuumlr zentrale Aussagen ldquoIn
conclusionldquo Wortmerkmale (Groszligschreibung Laumlnge Haumlufigkeit)
Sarah Ewerts 09022016
Typen der Textzusammenfassung
bull Text-Extraktion o Zusammenfassung bildet sich aus Auswahl im Original vorhandener
Woumlrter Phrasen oder Saumltze
o GetDigest
bull Text-Abstraktion o Entwickeln interne semantische Repraumlsentation und nutzen Techniken zur
Textgenerierung Naumlher an menschlicher Zusammenfassung Kann Woumlrter enthalten die nicht im Original vorhanden sind
o Abstraction Assistant
bull Uumlberwiegende Konzentration auf Extraktion aufgrund der Komplexitaumlt abstrahierender Methoden
Sarah Ewerts 09022016
Typen der Textzusammenfassung
bull Computergestuumltzte Textzusammenfassung o Techniken des maschinellen Lernens aus Feldern Information Retrieval und
Data Mining
o Kombination von automatischen Methoden mit menschlichem Input
o Vorauswahl von wichtigen Passagen durch Mensch
o Nachbearbeitung des Ergebnisses durch Menschen
o CAST (Computer-Aided Summarization Tool)
Sarah Ewerts 09022016
Anwendung
bull Informationsflut
bull Filterung
bull Zeitersparnis
bull Kostenersparnis
Sarah Ewerts 09022016
Anwendung bull Schreibprogramme Word Open Office und
GoogleDocs bieten keine Autozusammenfassung
(mehr) an
bull Freie Tools online TextCompactor AutoSummarizer
bull Freie Demo-Versionen online GetDigest
EssentialMining
Sarah Ewerts 09022016
Beispiele bull Originaltext bdquoLittle Red Riding Hoodldquo der Gebruumlder
Grimm
(httpwwwworldoftalescomfairy_talesBrothers_Grim
mLITTLE20RED-
CAP205BLITTLE20RED20RIDING20HOOD5Dhtml)
bull GetDigest (Online Demo) (httpgetdigestcom)
bull TextCompactor (httpsessential-
miningcomsummarizeronlineindexjspuilang=de)
bull EssentialMining (Online Demo)(httpsessential-
miningcomsummarizeronlineindexjspuilang=de)
bull Autosummarizer (httpautosummarizercom)
Sarah Ewerts 09022016
Probleme bull Mensch kann Struktur Bedeutung und Relevanz von
Informationen erkennen ndash Maschine verarbeitet
Algorithmen
bull Generisch vs Benutzerfokussiert
bull auch menschliche Leser haben unterschiedliche
Auffassungen daruumlber welche Informationen wichtig sind Subjektivitaumlt
Sarah Ewerts 09022016
Quellen bull Hovy E (2003) Text Summarization In Rulsan
Mitkov The Oxford Handbook of Computational
Linguistics Oxford Oxford University Press
bull Torres-Moreno J-M(2014) Automatic Text
Summarization New York Wiley-ISTE
bull Wartala Ramon (2003) Erschlieszligung von groszligen
Textmengen Universitaumlt Heidelberg
bull Mani I et al (1999) Advances in Automatic Text
Summarization Cambridge Mass MIT Press
Sarah Ewerts 09022016
Quellen (Stand 08022016)
bull httpwwwiicmtugrazatcguetlcoursesisruearchiveuews2007Ue320Automatische20Text20Zusammenfassungpdf
bull httpwwwcscolumbiaedu~gmwcandidacyHahnMani00pdf
bull httprgclwlvacukprojectsCASTprogramsCASTcastphp
bull httplinguni-konstanzdepageshomezinsmeisterMLPMaterialTextzusammenfassungpdf
bull httpautosummarizercom
bull httpsessential-miningcomsummarizeronlineindexjspuilang=de
bull httptextcompactorcom
bull httpgetdigestcom
bull httpwwwworldoftalescomfairy_talesBrothers_GrimmLITTLE20RED-CAP205BLITTLE20RED20RIDING20HOOD5Dhtml
Sarah Ewerts 09022016
Vielen Dank fuumlr eure
Aufmerksamkeit
Geschichte bull 1955 - 1973 Erste Extraktion
o Algorithmen hatten statistische Ansaumltze
o Luhn 1958 Worthaumlufigkeit Position im Satz
bull 1961 - 1979 Linguistische Ansaumltze o Linguistische und strukturelle Zusammenhaumlnge werden beruumlcksichtigt
o Edmundson 1969 Behandlung von ausgewaumlhltem Korpus
Unterschiedliche Gewichtung verschiedener Saumltze amp Schluumlsselwoumlrter
bull 90er Jahre Comeback o 1995 Kupiec et al Indikatorphrasen fuumlr zentrale Aussagen ldquoIn
conclusionldquo Wortmerkmale (Groszligschreibung Laumlnge Haumlufigkeit)
Sarah Ewerts 09022016
Typen der Textzusammenfassung
bull Text-Extraktion o Zusammenfassung bildet sich aus Auswahl im Original vorhandener
Woumlrter Phrasen oder Saumltze
o GetDigest
bull Text-Abstraktion o Entwickeln interne semantische Repraumlsentation und nutzen Techniken zur
Textgenerierung Naumlher an menschlicher Zusammenfassung Kann Woumlrter enthalten die nicht im Original vorhanden sind
o Abstraction Assistant
bull Uumlberwiegende Konzentration auf Extraktion aufgrund der Komplexitaumlt abstrahierender Methoden
Sarah Ewerts 09022016
Typen der Textzusammenfassung
bull Computergestuumltzte Textzusammenfassung o Techniken des maschinellen Lernens aus Feldern Information Retrieval und
Data Mining
o Kombination von automatischen Methoden mit menschlichem Input
o Vorauswahl von wichtigen Passagen durch Mensch
o Nachbearbeitung des Ergebnisses durch Menschen
o CAST (Computer-Aided Summarization Tool)
Sarah Ewerts 09022016
Anwendung
bull Informationsflut
bull Filterung
bull Zeitersparnis
bull Kostenersparnis
Sarah Ewerts 09022016
Anwendung bull Schreibprogramme Word Open Office und
GoogleDocs bieten keine Autozusammenfassung
(mehr) an
bull Freie Tools online TextCompactor AutoSummarizer
bull Freie Demo-Versionen online GetDigest
EssentialMining
Sarah Ewerts 09022016
Beispiele bull Originaltext bdquoLittle Red Riding Hoodldquo der Gebruumlder
Grimm
(httpwwwworldoftalescomfairy_talesBrothers_Grim
mLITTLE20RED-
CAP205BLITTLE20RED20RIDING20HOOD5Dhtml)
bull GetDigest (Online Demo) (httpgetdigestcom)
bull TextCompactor (httpsessential-
miningcomsummarizeronlineindexjspuilang=de)
bull EssentialMining (Online Demo)(httpsessential-
miningcomsummarizeronlineindexjspuilang=de)
bull Autosummarizer (httpautosummarizercom)
Sarah Ewerts 09022016
Probleme bull Mensch kann Struktur Bedeutung und Relevanz von
Informationen erkennen ndash Maschine verarbeitet
Algorithmen
bull Generisch vs Benutzerfokussiert
bull auch menschliche Leser haben unterschiedliche
Auffassungen daruumlber welche Informationen wichtig sind Subjektivitaumlt
Sarah Ewerts 09022016
Quellen bull Hovy E (2003) Text Summarization In Rulsan
Mitkov The Oxford Handbook of Computational
Linguistics Oxford Oxford University Press
bull Torres-Moreno J-M(2014) Automatic Text
Summarization New York Wiley-ISTE
bull Wartala Ramon (2003) Erschlieszligung von groszligen
Textmengen Universitaumlt Heidelberg
bull Mani I et al (1999) Advances in Automatic Text
Summarization Cambridge Mass MIT Press
Sarah Ewerts 09022016
Quellen (Stand 08022016)
bull httpwwwiicmtugrazatcguetlcoursesisruearchiveuews2007Ue320Automatische20Text20Zusammenfassungpdf
bull httpwwwcscolumbiaedu~gmwcandidacyHahnMani00pdf
bull httprgclwlvacukprojectsCASTprogramsCASTcastphp
bull httplinguni-konstanzdepageshomezinsmeisterMLPMaterialTextzusammenfassungpdf
bull httpautosummarizercom
bull httpsessential-miningcomsummarizeronlineindexjspuilang=de
bull httptextcompactorcom
bull httpgetdigestcom
bull httpwwwworldoftalescomfairy_talesBrothers_GrimmLITTLE20RED-CAP205BLITTLE20RED20RIDING20HOOD5Dhtml
Sarah Ewerts 09022016
Vielen Dank fuumlr eure
Aufmerksamkeit
Typen der Textzusammenfassung
bull Text-Extraktion o Zusammenfassung bildet sich aus Auswahl im Original vorhandener
Woumlrter Phrasen oder Saumltze
o GetDigest
bull Text-Abstraktion o Entwickeln interne semantische Repraumlsentation und nutzen Techniken zur
Textgenerierung Naumlher an menschlicher Zusammenfassung Kann Woumlrter enthalten die nicht im Original vorhanden sind
o Abstraction Assistant
bull Uumlberwiegende Konzentration auf Extraktion aufgrund der Komplexitaumlt abstrahierender Methoden
Sarah Ewerts 09022016
Typen der Textzusammenfassung
bull Computergestuumltzte Textzusammenfassung o Techniken des maschinellen Lernens aus Feldern Information Retrieval und
Data Mining
o Kombination von automatischen Methoden mit menschlichem Input
o Vorauswahl von wichtigen Passagen durch Mensch
o Nachbearbeitung des Ergebnisses durch Menschen
o CAST (Computer-Aided Summarization Tool)
Sarah Ewerts 09022016
Anwendung
bull Informationsflut
bull Filterung
bull Zeitersparnis
bull Kostenersparnis
Sarah Ewerts 09022016
Anwendung bull Schreibprogramme Word Open Office und
GoogleDocs bieten keine Autozusammenfassung
(mehr) an
bull Freie Tools online TextCompactor AutoSummarizer
bull Freie Demo-Versionen online GetDigest
EssentialMining
Sarah Ewerts 09022016
Beispiele bull Originaltext bdquoLittle Red Riding Hoodldquo der Gebruumlder
Grimm
(httpwwwworldoftalescomfairy_talesBrothers_Grim
mLITTLE20RED-
CAP205BLITTLE20RED20RIDING20HOOD5Dhtml)
bull GetDigest (Online Demo) (httpgetdigestcom)
bull TextCompactor (httpsessential-
miningcomsummarizeronlineindexjspuilang=de)
bull EssentialMining (Online Demo)(httpsessential-
miningcomsummarizeronlineindexjspuilang=de)
bull Autosummarizer (httpautosummarizercom)
Sarah Ewerts 09022016
Probleme bull Mensch kann Struktur Bedeutung und Relevanz von
Informationen erkennen ndash Maschine verarbeitet
Algorithmen
bull Generisch vs Benutzerfokussiert
bull auch menschliche Leser haben unterschiedliche
Auffassungen daruumlber welche Informationen wichtig sind Subjektivitaumlt
Sarah Ewerts 09022016
Quellen bull Hovy E (2003) Text Summarization In Rulsan
Mitkov The Oxford Handbook of Computational
Linguistics Oxford Oxford University Press
bull Torres-Moreno J-M(2014) Automatic Text
Summarization New York Wiley-ISTE
bull Wartala Ramon (2003) Erschlieszligung von groszligen
Textmengen Universitaumlt Heidelberg
bull Mani I et al (1999) Advances in Automatic Text
Summarization Cambridge Mass MIT Press
Sarah Ewerts 09022016
Quellen (Stand 08022016)
bull httpwwwiicmtugrazatcguetlcoursesisruearchiveuews2007Ue320Automatische20Text20Zusammenfassungpdf
bull httpwwwcscolumbiaedu~gmwcandidacyHahnMani00pdf
bull httprgclwlvacukprojectsCASTprogramsCASTcastphp
bull httplinguni-konstanzdepageshomezinsmeisterMLPMaterialTextzusammenfassungpdf
bull httpautosummarizercom
bull httpsessential-miningcomsummarizeronlineindexjspuilang=de
bull httptextcompactorcom
bull httpgetdigestcom
bull httpwwwworldoftalescomfairy_talesBrothers_GrimmLITTLE20RED-CAP205BLITTLE20RED20RIDING20HOOD5Dhtml
Sarah Ewerts 09022016
Vielen Dank fuumlr eure
Aufmerksamkeit
Typen der Textzusammenfassung
bull Computergestuumltzte Textzusammenfassung o Techniken des maschinellen Lernens aus Feldern Information Retrieval und
Data Mining
o Kombination von automatischen Methoden mit menschlichem Input
o Vorauswahl von wichtigen Passagen durch Mensch
o Nachbearbeitung des Ergebnisses durch Menschen
o CAST (Computer-Aided Summarization Tool)
Sarah Ewerts 09022016
Anwendung
bull Informationsflut
bull Filterung
bull Zeitersparnis
bull Kostenersparnis
Sarah Ewerts 09022016
Anwendung bull Schreibprogramme Word Open Office und
GoogleDocs bieten keine Autozusammenfassung
(mehr) an
bull Freie Tools online TextCompactor AutoSummarizer
bull Freie Demo-Versionen online GetDigest
EssentialMining
Sarah Ewerts 09022016
Beispiele bull Originaltext bdquoLittle Red Riding Hoodldquo der Gebruumlder
Grimm
(httpwwwworldoftalescomfairy_talesBrothers_Grim
mLITTLE20RED-
CAP205BLITTLE20RED20RIDING20HOOD5Dhtml)
bull GetDigest (Online Demo) (httpgetdigestcom)
bull TextCompactor (httpsessential-
miningcomsummarizeronlineindexjspuilang=de)
bull EssentialMining (Online Demo)(httpsessential-
miningcomsummarizeronlineindexjspuilang=de)
bull Autosummarizer (httpautosummarizercom)
Sarah Ewerts 09022016
Probleme bull Mensch kann Struktur Bedeutung und Relevanz von
Informationen erkennen ndash Maschine verarbeitet
Algorithmen
bull Generisch vs Benutzerfokussiert
bull auch menschliche Leser haben unterschiedliche
Auffassungen daruumlber welche Informationen wichtig sind Subjektivitaumlt
Sarah Ewerts 09022016
Quellen bull Hovy E (2003) Text Summarization In Rulsan
Mitkov The Oxford Handbook of Computational
Linguistics Oxford Oxford University Press
bull Torres-Moreno J-M(2014) Automatic Text
Summarization New York Wiley-ISTE
bull Wartala Ramon (2003) Erschlieszligung von groszligen
Textmengen Universitaumlt Heidelberg
bull Mani I et al (1999) Advances in Automatic Text
Summarization Cambridge Mass MIT Press
Sarah Ewerts 09022016
Quellen (Stand 08022016)
bull httpwwwiicmtugrazatcguetlcoursesisruearchiveuews2007Ue320Automatische20Text20Zusammenfassungpdf
bull httpwwwcscolumbiaedu~gmwcandidacyHahnMani00pdf
bull httprgclwlvacukprojectsCASTprogramsCASTcastphp
bull httplinguni-konstanzdepageshomezinsmeisterMLPMaterialTextzusammenfassungpdf
bull httpautosummarizercom
bull httpsessential-miningcomsummarizeronlineindexjspuilang=de
bull httptextcompactorcom
bull httpgetdigestcom
bull httpwwwworldoftalescomfairy_talesBrothers_GrimmLITTLE20RED-CAP205BLITTLE20RED20RIDING20HOOD5Dhtml
Sarah Ewerts 09022016
Vielen Dank fuumlr eure
Aufmerksamkeit
Anwendung
bull Informationsflut
bull Filterung
bull Zeitersparnis
bull Kostenersparnis
Sarah Ewerts 09022016
Anwendung bull Schreibprogramme Word Open Office und
GoogleDocs bieten keine Autozusammenfassung
(mehr) an
bull Freie Tools online TextCompactor AutoSummarizer
bull Freie Demo-Versionen online GetDigest
EssentialMining
Sarah Ewerts 09022016
Beispiele bull Originaltext bdquoLittle Red Riding Hoodldquo der Gebruumlder
Grimm
(httpwwwworldoftalescomfairy_talesBrothers_Grim
mLITTLE20RED-
CAP205BLITTLE20RED20RIDING20HOOD5Dhtml)
bull GetDigest (Online Demo) (httpgetdigestcom)
bull TextCompactor (httpsessential-
miningcomsummarizeronlineindexjspuilang=de)
bull EssentialMining (Online Demo)(httpsessential-
miningcomsummarizeronlineindexjspuilang=de)
bull Autosummarizer (httpautosummarizercom)
Sarah Ewerts 09022016
Probleme bull Mensch kann Struktur Bedeutung und Relevanz von
Informationen erkennen ndash Maschine verarbeitet
Algorithmen
bull Generisch vs Benutzerfokussiert
bull auch menschliche Leser haben unterschiedliche
Auffassungen daruumlber welche Informationen wichtig sind Subjektivitaumlt
Sarah Ewerts 09022016
Quellen bull Hovy E (2003) Text Summarization In Rulsan
Mitkov The Oxford Handbook of Computational
Linguistics Oxford Oxford University Press
bull Torres-Moreno J-M(2014) Automatic Text
Summarization New York Wiley-ISTE
bull Wartala Ramon (2003) Erschlieszligung von groszligen
Textmengen Universitaumlt Heidelberg
bull Mani I et al (1999) Advances in Automatic Text
Summarization Cambridge Mass MIT Press
Sarah Ewerts 09022016
Quellen (Stand 08022016)
bull httpwwwiicmtugrazatcguetlcoursesisruearchiveuews2007Ue320Automatische20Text20Zusammenfassungpdf
bull httpwwwcscolumbiaedu~gmwcandidacyHahnMani00pdf
bull httprgclwlvacukprojectsCASTprogramsCASTcastphp
bull httplinguni-konstanzdepageshomezinsmeisterMLPMaterialTextzusammenfassungpdf
bull httpautosummarizercom
bull httpsessential-miningcomsummarizeronlineindexjspuilang=de
bull httptextcompactorcom
bull httpgetdigestcom
bull httpwwwworldoftalescomfairy_talesBrothers_GrimmLITTLE20RED-CAP205BLITTLE20RED20RIDING20HOOD5Dhtml
Sarah Ewerts 09022016
Vielen Dank fuumlr eure
Aufmerksamkeit
Anwendung bull Schreibprogramme Word Open Office und
GoogleDocs bieten keine Autozusammenfassung
(mehr) an
bull Freie Tools online TextCompactor AutoSummarizer
bull Freie Demo-Versionen online GetDigest
EssentialMining
Sarah Ewerts 09022016
Beispiele bull Originaltext bdquoLittle Red Riding Hoodldquo der Gebruumlder
Grimm
(httpwwwworldoftalescomfairy_talesBrothers_Grim
mLITTLE20RED-
CAP205BLITTLE20RED20RIDING20HOOD5Dhtml)
bull GetDigest (Online Demo) (httpgetdigestcom)
bull TextCompactor (httpsessential-
miningcomsummarizeronlineindexjspuilang=de)
bull EssentialMining (Online Demo)(httpsessential-
miningcomsummarizeronlineindexjspuilang=de)
bull Autosummarizer (httpautosummarizercom)
Sarah Ewerts 09022016
Probleme bull Mensch kann Struktur Bedeutung und Relevanz von
Informationen erkennen ndash Maschine verarbeitet
Algorithmen
bull Generisch vs Benutzerfokussiert
bull auch menschliche Leser haben unterschiedliche
Auffassungen daruumlber welche Informationen wichtig sind Subjektivitaumlt
Sarah Ewerts 09022016
Quellen bull Hovy E (2003) Text Summarization In Rulsan
Mitkov The Oxford Handbook of Computational
Linguistics Oxford Oxford University Press
bull Torres-Moreno J-M(2014) Automatic Text
Summarization New York Wiley-ISTE
bull Wartala Ramon (2003) Erschlieszligung von groszligen
Textmengen Universitaumlt Heidelberg
bull Mani I et al (1999) Advances in Automatic Text
Summarization Cambridge Mass MIT Press
Sarah Ewerts 09022016
Quellen (Stand 08022016)
bull httpwwwiicmtugrazatcguetlcoursesisruearchiveuews2007Ue320Automatische20Text20Zusammenfassungpdf
bull httpwwwcscolumbiaedu~gmwcandidacyHahnMani00pdf
bull httprgclwlvacukprojectsCASTprogramsCASTcastphp
bull httplinguni-konstanzdepageshomezinsmeisterMLPMaterialTextzusammenfassungpdf
bull httpautosummarizercom
bull httpsessential-miningcomsummarizeronlineindexjspuilang=de
bull httptextcompactorcom
bull httpgetdigestcom
bull httpwwwworldoftalescomfairy_talesBrothers_GrimmLITTLE20RED-CAP205BLITTLE20RED20RIDING20HOOD5Dhtml
Sarah Ewerts 09022016
Vielen Dank fuumlr eure
Aufmerksamkeit
Beispiele bull Originaltext bdquoLittle Red Riding Hoodldquo der Gebruumlder
Grimm
(httpwwwworldoftalescomfairy_talesBrothers_Grim
mLITTLE20RED-
CAP205BLITTLE20RED20RIDING20HOOD5Dhtml)
bull GetDigest (Online Demo) (httpgetdigestcom)
bull TextCompactor (httpsessential-
miningcomsummarizeronlineindexjspuilang=de)
bull EssentialMining (Online Demo)(httpsessential-
miningcomsummarizeronlineindexjspuilang=de)
bull Autosummarizer (httpautosummarizercom)
Sarah Ewerts 09022016
Probleme bull Mensch kann Struktur Bedeutung und Relevanz von
Informationen erkennen ndash Maschine verarbeitet
Algorithmen
bull Generisch vs Benutzerfokussiert
bull auch menschliche Leser haben unterschiedliche
Auffassungen daruumlber welche Informationen wichtig sind Subjektivitaumlt
Sarah Ewerts 09022016
Quellen bull Hovy E (2003) Text Summarization In Rulsan
Mitkov The Oxford Handbook of Computational
Linguistics Oxford Oxford University Press
bull Torres-Moreno J-M(2014) Automatic Text
Summarization New York Wiley-ISTE
bull Wartala Ramon (2003) Erschlieszligung von groszligen
Textmengen Universitaumlt Heidelberg
bull Mani I et al (1999) Advances in Automatic Text
Summarization Cambridge Mass MIT Press
Sarah Ewerts 09022016
Quellen (Stand 08022016)
bull httpwwwiicmtugrazatcguetlcoursesisruearchiveuews2007Ue320Automatische20Text20Zusammenfassungpdf
bull httpwwwcscolumbiaedu~gmwcandidacyHahnMani00pdf
bull httprgclwlvacukprojectsCASTprogramsCASTcastphp
bull httplinguni-konstanzdepageshomezinsmeisterMLPMaterialTextzusammenfassungpdf
bull httpautosummarizercom
bull httpsessential-miningcomsummarizeronlineindexjspuilang=de
bull httptextcompactorcom
bull httpgetdigestcom
bull httpwwwworldoftalescomfairy_talesBrothers_GrimmLITTLE20RED-CAP205BLITTLE20RED20RIDING20HOOD5Dhtml
Sarah Ewerts 09022016
Vielen Dank fuumlr eure
Aufmerksamkeit
Probleme bull Mensch kann Struktur Bedeutung und Relevanz von
Informationen erkennen ndash Maschine verarbeitet
Algorithmen
bull Generisch vs Benutzerfokussiert
bull auch menschliche Leser haben unterschiedliche
Auffassungen daruumlber welche Informationen wichtig sind Subjektivitaumlt
Sarah Ewerts 09022016
Quellen bull Hovy E (2003) Text Summarization In Rulsan
Mitkov The Oxford Handbook of Computational
Linguistics Oxford Oxford University Press
bull Torres-Moreno J-M(2014) Automatic Text
Summarization New York Wiley-ISTE
bull Wartala Ramon (2003) Erschlieszligung von groszligen
Textmengen Universitaumlt Heidelberg
bull Mani I et al (1999) Advances in Automatic Text
Summarization Cambridge Mass MIT Press
Sarah Ewerts 09022016
Quellen (Stand 08022016)
bull httpwwwiicmtugrazatcguetlcoursesisruearchiveuews2007Ue320Automatische20Text20Zusammenfassungpdf
bull httpwwwcscolumbiaedu~gmwcandidacyHahnMani00pdf
bull httprgclwlvacukprojectsCASTprogramsCASTcastphp
bull httplinguni-konstanzdepageshomezinsmeisterMLPMaterialTextzusammenfassungpdf
bull httpautosummarizercom
bull httpsessential-miningcomsummarizeronlineindexjspuilang=de
bull httptextcompactorcom
bull httpgetdigestcom
bull httpwwwworldoftalescomfairy_talesBrothers_GrimmLITTLE20RED-CAP205BLITTLE20RED20RIDING20HOOD5Dhtml
Sarah Ewerts 09022016
Vielen Dank fuumlr eure
Aufmerksamkeit
Quellen bull Hovy E (2003) Text Summarization In Rulsan
Mitkov The Oxford Handbook of Computational
Linguistics Oxford Oxford University Press
bull Torres-Moreno J-M(2014) Automatic Text
Summarization New York Wiley-ISTE
bull Wartala Ramon (2003) Erschlieszligung von groszligen
Textmengen Universitaumlt Heidelberg
bull Mani I et al (1999) Advances in Automatic Text
Summarization Cambridge Mass MIT Press
Sarah Ewerts 09022016
Quellen (Stand 08022016)
bull httpwwwiicmtugrazatcguetlcoursesisruearchiveuews2007Ue320Automatische20Text20Zusammenfassungpdf
bull httpwwwcscolumbiaedu~gmwcandidacyHahnMani00pdf
bull httprgclwlvacukprojectsCASTprogramsCASTcastphp
bull httplinguni-konstanzdepageshomezinsmeisterMLPMaterialTextzusammenfassungpdf
bull httpautosummarizercom
bull httpsessential-miningcomsummarizeronlineindexjspuilang=de
bull httptextcompactorcom
bull httpgetdigestcom
bull httpwwwworldoftalescomfairy_talesBrothers_GrimmLITTLE20RED-CAP205BLITTLE20RED20RIDING20HOOD5Dhtml
Sarah Ewerts 09022016
Vielen Dank fuumlr eure
Aufmerksamkeit
Quellen (Stand 08022016)
bull httpwwwiicmtugrazatcguetlcoursesisruearchiveuews2007Ue320Automatische20Text20Zusammenfassungpdf
bull httpwwwcscolumbiaedu~gmwcandidacyHahnMani00pdf
bull httprgclwlvacukprojectsCASTprogramsCASTcastphp
bull httplinguni-konstanzdepageshomezinsmeisterMLPMaterialTextzusammenfassungpdf
bull httpautosummarizercom
bull httpsessential-miningcomsummarizeronlineindexjspuilang=de
bull httptextcompactorcom
bull httpgetdigestcom
bull httpwwwworldoftalescomfairy_talesBrothers_GrimmLITTLE20RED-CAP205BLITTLE20RED20RIDING20HOOD5Dhtml
Sarah Ewerts 09022016
Vielen Dank fuumlr eure
Aufmerksamkeit