Für gewöhnlich werden Word Embeddings aus Kookkurrenzmustern in Texten erstellt. Unter Verwendung von Bilddatenbanken können diese Embeddings mit Embeddings für Bildmerkmale zu sogenannten multimodalen Embeddings erweitert werden . Innerhalb dieses groben Themas erstellt der Kandidat oder die Kandidatin ein multimodales Embedding und vergleicht es mit unimodalen Embeddings bezüglich computerlinguistischer Aufgaben wie die Disambiguierung von Wortsinnen. Verschiedene Parameter können dabei variiert werden: die gewählte Bilddatenbank, die Segmentierung der Bildannotationen, die Auswahl der Bildmerkmale, die Art der Integration von verbalen und visuellen Embeddings, und die Wahl der Evaluationsszenarien.

Um neue Aussagen aus einem Datensatz mit gegebenen Aussagen abzuleiten, wird eine Inferenz- oder Reasoning-Engine (z.B., ) verwendet. Die Kandidatin oder der Kandidat plant und implementiert eine Inferenz-Engine für zeitliche und räumliche Aussagen wie “ist enthalten in” und “früher als”. Eine der Herausforderungen dieser Abschlussarbeit liegt darin, transitive Inferenzmuster über zeitliche und räumliche Relationen zu erfassen.

Worteinbettungen werden normalerweise auf großen Korpora berechnet. Je größer und vielfältiger das Korpus, desto vielfältiger die Aspekte der jeweiligen Sprache, die im Einbettungsraum abgebildet werden können. In dieser Arbeit sollen Einbettungsräume für verschiedene Autoren getrennt berechnet und analysiert werden. Zu diesem Zweck wird der Kandidat Worteinbettungen auf großen Korpora vortrainieren und dann für kleinere Korpora spezialisieren. Die für die verschiedenen Autoren erzeugten Einbettungsräume sollen schließlich im Kontext der automatischen Autorenerkennung evaluiert und analysiert werden.

Es gibt verschiedene Methoden, um Texte nach Themen zu klassifizieren. Dazu gehören etablierte Modelle wie Themenmodelle auf der Basis der Latent Dirichlet Allocation (LDA), aber auch neuere Methoden wie text2ddc. In dieser Arbeit sollen die Unterschiede und Ähnlichkeiten dieser und verwandter Themenmodelle analysiert und vergleichend bewertet werden. Ein Schwerpunkt der Kandidatin oder des Kandidaten liegt auf Kombinationen dieser Themenmodelle zur Steigerung ihrer Gesamtleistung.

Die Erkennung von Orten und geographischen Einheiten in Texten wird bis zu einem gewissen Grad durch bestehende Tagger für benannte Entitäten umgesetzt. Diese Tagger bestimmen in der Regel nur, ob ein Textausdruck einen Ort bezeichnet (und damit ein Toponym ist) oder nicht. Diese Erkennung soll durch die Verwendung von GeoNames als Datenquelle für Ortsnamen und deren Klassen erweitert werden. GeoNames ist eine freie Datenquelle, die eine Ontologie für Orte und geographische Gebiete enthält. Die Aufgabe besteht darin, einen UIMA-Annotator zur Erkennung und Annotation von Orten und geographischen Einheiten zu entwickeln und mit den Texten aus dem BIOfid-Projekt zu testen. Der UIMA-Annotator soll als Pipeline für den TextImager implementiert werden. Außerdem soll eine Erweiterung für den TextAnnotator für GeoNames entwickelt werden, um Annotationen zu korrigieren oder zu erstellen. Schließlich soll das System anhand des BIOfid-Datensatzes evaluiert werden.

Aktives Lernen (AL) dient als eine Methode des überwachten Lernens, um die Genauigkeit zu trainierender Klassifikatoren zu erhöhen. Durch AL gewinnt das maschinelle Lernen Einfluss auf die Daten, mit denen es lernt, indem menschliche Experten zu den Resultaten für ausgewählte Datenelemente befragt werden. Hierdurch soll eine höhere Leistung insbesondere bei schwer zu klassifizierenden Daten erreicht werden. Das Ziel dieser Arbeit ist es, TextAnnotator um eine AL-Komponente zu erweitern und diese mit Hilfe ausgewählter Annotationsaufgaben zu evaluieren. Idealerweise basiert die Arbeit auf Ensemble-Methoden wie CRFVoter oder LSTMVoter. Es soll also ein Ensemble-Lerner entwickelt werden, der einzelne Klassifikatoren für Annotationsaufgaben integriert und Aktualisierungen durchführt: das AL generiert immer neue Trainings- und Testbeispiele, wobei sowohl die zu einem Ensemble zusammengefassten Klassifikatoren als auch der Ensemble-Lerner nachtrainiert werden. Die geplante Architektur sollte generisch programmiert werden, so dass sie auf verschiedene Annotationsaufgaben bezogen werden kann.

TextImager ist ein Rahmenwerk zur Abbildung der bestehenden Landschaft von Natural Language Processing (NLP) Tools und ihrer Verfügbarmachung auch für Nicht-Experten. TextImager integriert Tools für eine Reihe von Sprachen und verfügt über ein Typensystem, das seine auf proprietären IO-Formaten basierenden Werkzeuge interoperabel macht. Auf diese Weise werden seine Werkzeuge in Pipelines organisiert, so dass sie von einander profitieren. TextImager ist ein skalierbares verteiltes System , das große Datenmengen verarbeiten kann (https://textimager.hucompute.org/rest-big-data/doku/#). Was fehlt, ist eine entsprechende Visualisierungskomponente. Wikidition , ein MediaWiki-basiertes System zur Repräsentation von Korpora als Wikis, eignet sich für diese Visualisierung. Die Aufgabe der Arbeit ist es, TextImager als Plattform zur Verarbeitung großer linguistischer Daten zu verbessern und die Visualisierungsfunktionalität von Wikidition zu erweitern. Dabei geht es um folgende Teilaufgaben: Das Datenbankmodell von TextImager soll optimiert werden, Wikidition soll als Schnittstelle zur Visualisierung großer linguistischer Daten integriert werden und das Gesamtsystem soll dokumentiert werden. Erforderliche Vorkenntnisse: Java, NoSQL, MediaWiki, Interesse an Softwareentwicklung und Softwarearchitekturen.

Verben dienen dazu Zustände, Ereignisse oder Vorgänge zu beschreiben; sie bilden den syntaktischen und semantischen Kern von Sätzen, wobei die Kenntnis ihrer Bedeutungen für das Satz- und Textverständnis zentral ist. Nach dem Duden haben Verben im Deutschen im Durchschnitt mehr als 2 Sinne, so dass ihre Disambiguierung unerlässlich ist, um Aussagen über die Bedeutung von Sätzen und größeren Einheiten wie z.B. Texten machen zu können. Das TTLab hat bereits Vorarbeiten zur Verb-Sinn-Disambiguierung (VSD) für das Deutsche geleistet. Es hat unter anderem das bisher größte VSD-Korpus für das Deutsche erstellt. Jedem Verb in diesem Korpus ist eine Bedeutungsrepräsentation zugeordnet. Die Verbbedeutungen hängen stark von den Argumenten ab, mit denen die Verben zusammen vorkommen. Die Vorkommen der Verben können den jeweiligen Sinnen mittels ihrer Theta-Raster zugeordnet werden, d.h. über die Liste der mit ihnen verbundenen semantischen Rollen (Agens, Patiens, Instrument etc.). Das Ziel dieser Arbeit ist es, das TTLab-VSD-Korpus durch das Lernen von Theta-Rastern von Verben zu erweitern, so dass mehr Informationen für das Deep-Learning, das auf die VSD abzielt, zur Verfügung stehen. Erforderliche Vorkenntnisse: Deutsch als Muttersprache, maschinelles Lernen.