Zugl.: Gelsenkirchen, Fachhochsch., Diplomarbeit, 2008

Master-Arbeit Univ. St. Gallen, 2007.

Making machines understand natural language is a dream of mankind that existed since a very long time. Early attempts at programming machines to converse with humans in a supposedly intelligent way with humans relied on phrase lists and simple keyword matching. However, such approaches cannot provide semantically adequate answers, as they do not consider the specific meaning of the conversation. Thus, if we want to enable machines to actually understand language, we need to be able to access semantically relevant background knowledge. For this, it is possible to query so-called ontologies, which are large networks containing knowledge about real-world entities and their semantic relations. However, creating such ontologies is a tedious task, as often extensive expert knowledge is required. Thus, we need to find ways to automatically construct and update ontologies that fit human intuition of semantics and semantic relations. More specifically, we need to determine semantic entities and find relations between them. While this is usually done on large corpora of unstructured text, previous work has shown that we can at least facilitate the first issue of extracting entities by considering special data such as tagging data or human navigational paths. Here, we do not need to detect the actual semantic entities, as they are already provided because of the way those data are collected. Thus we can mainly focus on the problem of assessing the degree of semantic relatedness between tags or web pages. However, there exist several issues which need to be overcome, if we want to approximate human intuition of semantic relatedness. For this, it is necessary to represent words and concepts in a way that allows easy and highly precise semantic characterization. This also largely depends on the quality of data from which these representations are constructed. In this thesis, we extract semantic information from both tagging data created by users of social tagging systems and human navigation data in different semantic-driven social web systems. Our main goal is to construct high quality and robust vector representations of words which can the be used to measure the relatedness of semantic concepts. First, we show that navigation in the social media systems Wikipedia and BibSonomy is driven by a semantic component. After this, we discuss and extend methods to model the semantic information in tagging data as low-dimensional vectors. Furthermore, we show that tagging pragmatics influences different facets of tagging semantics. We then investigate the usefulness of human navigational paths in several different settings on Wikipedia and BibSonomy for measuring semantic relatedness. Finally, we propose a metric-learning based algorithm in adapt pre-trained word embeddings to datasets containing human judgment of semantic relatedness. This work contributes to the field of studying semantic relatedness between words by proposing methods to extract semantic relatedness from web navigation, learn highquality and low-dimensional word representations from tagging data, and to learn semantic relatedness from any kind of vector representation by exploiting human feedback. Applications first and foremest lie in ontology learning for the Semantic Web, but also semantic search or query expansion. / Einer der großen Träume der Menschheit ist es, Maschinen dazu zu bringen, natürliche Sprache zu verstehen. Frühe Versuche, Computer dahingehend zu programmieren, dass sie mit Menschen vermeintlich intelligente Konversationen führen können, basierten hauptsächlich auf Phrasensammlungen und einfachen Stichwortabgleichen. Solche Ansätze sind allerdings nicht in der Lage, inhaltlich adäquate Antworten zu liefern, da der tatsächliche Inhalt der Konversation nicht erfasst werden kann. Folgerichtig ist es notwendig, dass Maschinen auf semantisch relevantes Hintergrundwissen zugreifen können, um diesen Inhalt zu verstehen. Solches Wissen ist beispielsweise in Ontologien vorhanden. Ontologien sind große Datenbanken von vernetztem Wissen über Objekte und Gegenstände der echten Welt sowie über deren semantische Beziehungen. Das Erstellen solcher Ontologien ist eine sehr kostspielige und aufwändige Aufgabe, da oft tiefgreifendes Expertenwissen benötigt wird. Wir müssen also Wege finden, um Ontologien automatisch zu erstellen und aktuell zu halten, und zwar in einer Art und Weise, dass dies auch menschlichem Empfinden von Semantik und semantischer Ähnlichkeit entspricht. Genauer gesagt ist es notwendig, semantische Entitäten und deren Beziehungen zu bestimmen. Während solches Wissen üblicherweise aus Textkorpora extrahiert wird, ist es möglich, zumindest das erste Problem - semantische Entitäten zu bestimmen - durch Benutzung spezieller Datensätze zu umgehen, wie zum Beispiel Tagging- oder Navigationsdaten. In diesen Arten von Datensätzen ist es nicht notwendig, Entitäten zu extrahieren, da sie bereits aufgrund inhärenter Eigenschaften bei der Datenakquise vorhanden sind. Wir können uns also hauptsächlich auf die Bestimmung von semantischen Relationen und deren Intensität fokussieren. Trotzdem müssen hier noch einige Hindernisse überwunden werden. Beispielsweise ist es notwendig, Repräsentationen für semantische Entitäten zu finden, so dass es möglich ist, sie einfach und semantisch hochpräzise zu charakterisieren. Dies hängt allerdings auch erheblich von der Qualität der Daten ab, aus denen diese Repräsentationen konstruiert werden. In der vorliegenden Arbeit extrahieren wir semantische Informationen sowohl aus Taggingdaten, von Benutzern sozialer Taggingsysteme erzeugt, als auch aus Navigationsdaten von Benutzern semantikgetriebener Social Media-Systeme. Das Hauptziel dieser Arbeit ist es, hochqualitative und robuste Vektordarstellungen von Worten zu konstruieren, die dann dazu benutzt werden können, die semantische Ähnlichkeit von Konzepten zu bestimmen. Als erstes zeigen wir, dass Navigation in Social Media Systemen unter anderem durch eine semantische Komponente getrieben wird. Danach diskutieren und erweitern wir Methoden, um die semantische Information in Taggingdaten als niedrigdimensionale sogenannte “Embeddings” darzustellen. Darüberhinaus demonstrieren wir, dass die Taggingpragmatik verschiedene Facetten der Taggingsemantik beeinflusst. Anschließend untersuchen wir, inwieweit wir menschliche Navigationspfade zur Bestimmung semantischer Ähnlichkeit benutzen können. Hierzu betrachten wir mehrere Datensätze, die Navigationsdaten in verschiedenen Rahmenbedingungen beinhalten. Als letztes stellen wir einen neuartigen Algorithmus vor, um bereits trainierte Word Embeddings im Nachhinein an menschliche Intuition von Semantik anzupassen. Diese Arbeit steuert wertvolle Beiträge zum Gebiet der Bestimmung von semantischer Ähnlichkeit bei: Es werden Methoden vorgestellt werden, um hochqualitative semantische Information aus Web-Navigation und Taggingdaten zu extrahieren, diese mittels niedrigdimensionaler Vektordarstellungen zu modellieren und selbige schließlich besser an menschliches Empfinden von semantischer Ähnlichkeit anzupassen, indem aus genau diesem Empfinden gelernt wird. Anwendungen liegen in erster Linie darin, Ontologien für das Semantic Web zu lernen, allerdings auch in allen Bereichen, die Vektordarstellungen von semantischen Entitäten benutzen.

München, Techn. University, Diss., 2007.

Zugl.: München, Techn. Univ., Diss., 2007 / Hergestellt on demand

Graz, Univ., Dipl.-Arb., 2009.

Nowadays, social software is in demand in very different settings. Managing relationships (e.g., social networking sites) and content sharing (e.g., photo sharing), but also collaborative working via the Internet became a widely accepted part of the social lives of people. Especially, collaborative environments provide platforms supporting users in creating and exchanging new ideas, material, and conducting discussions, but also in representing themselves by allowing for according profile management etc., cf. [KR07]. Supporting the users’ privacy in such interactive environments stands in sharp contrast to the objectives of collaboration. However, previous work has shown that different approaches may overcome this ostensible contradiction. One further approach is subject of this paper and consists of a differentiated role management. Accordingly, this paper describes the particular settings of applications shaping Privacy-Enhanced Collaborative Environments (PECE), for which a comprehensive role management has to be realized. The paper discusses the implications on the role concept resulting from the privacy-related settings and introduces a three-dimensional approach for roles in a collaborative environment.

The full transformational effects of Social Media have yet to be understood. Alongside its heavily discussed benefits, a number of potentially harmful effects have become apparent lately. Phenomena such as still increasing information overload, cyber-bullying, or loss of identity have been described in recent research literature from various domains. By means of a literature review our paper aims at reviewing, cataloguing and classifying these psychological and social disorders that have been reported to be related to Social Media engagement. We distinguish between active participation in and mere exposure to Social Media. Using a psychopathological classification scheme, we structure the identified symptoms and syndromes, providing a common language and taxonomy with which the identified disorders can be described and classified accurately. Thus, we are laying out a foundation necessary for the research into and the understanding of the aetiology and eventually the means for the prevention of the negative effects of Social Media usage within individuals in information societies.

Nach einer vorab veröffentlichten Studie der öffentlich-rechtlichen Medienanstalten [vEF11] nutzen mittlerweile mehr als 50 Millionen Menschen in Deutschland das Internet. Die Verbreitung beträgt bei Frauen 68,5% und 78,3% bei Männern, wobei vor allem in den Gruppen der Senioren und bei den Frauen erhebliche Zuwachsraten beobachtet wurden. In kaum mehr als einem Jahrzehnt (1997 nutzen lediglich 6,5% der Bevölkerung das Internet), hat hier eine neue Technologie die Bevölkerung in ihrer ganzen Breite durchdringen können. Die nächste Revolution zeichnet sich bereits ab, diesmal hinsichtlich der Nutzungsformen des Internets. Wurde es zunächst noch als Substitut klassischer Medien in ebensolcher Weise eingesetzt – als Medium für die Massen – stehen mit Blogs, Wikis und Social Networks nunmehr Plattformen zur Verfügung, die das Internet zu einem Medium von den Massen werden lässt. Eine zentrale Herausforderung im Kontext dieser auch als Social Media bezeichneten Medienformen, ist die schier unfassbare Menge produzierter Informationen: Im Oktober 2010 wurden 35 Stunden Videomaterial pro Minute auf YouTube gespeichert [Wal10], im Juni 2011 berichtete Twitter von 200 Millionen Tweets pro Tag [Twi11]. Das Problem im Umgang mit Informationen besteht nicht mehr in deren Beschaffung, sondern in deren Filterung [Sav07]. Ein wesentliches Merkmal ist dabei das Fehlen jeglicher Instanz zur Qualitätssicherung [GT09]. Die Möglichkeit für jeden, sich an der Erstellung von Informationen und ihrer Verbreitung zu beteiligen, ist Segen und Fluch zugleich. Nach der anfänglich bedenkenlosen Euphorie treten zunehmend kritische Stimmen ans Licht. Die ungehinderte Verbreitung ethisch bedenklicher Meinungsäußerungen [Lis11], Cybermobbing [LN11] oder Informationsvandalismus [Kop11] häufen sich. Mit Burnout durch Information Overload [EM04] [LP10] oder sog. Facebook Depressionen [Wri10] [OCP11], werden die ersten Krankheitsbilder direkt mit dem Konsum von Social Media in Verbindung gebracht. Für den Umgang mit diesen neuen Medienformen ist es daher unerlässlich, ein Bewusstsein für Risiken, Nebenwirkungen und mögliche Störungen zu entwickeln, und (potenzielle) Dysfunktionen entsprechend zu berücksichtigen. Aufbauend auf die Arbeit von [SL11], in der eine erste Taxonomie potenzieller und realisierter Pathologien (krankhafter Phänomene) beschrieben wurde, vertieft dieser Beitrag die Beobachtungen zur pathologischen Mediennutzung im Kontext der Social Media. Er stellt ein Modell zur Beschreibung der Störungszusammenhänge bei der Partizipation an Social Media im Speziellen und der Exposition gegenüber Social Media im Allgemeinen vor. Der Beitrag ist in weitere vier Abschnitte gegliedert: Abschnitt 2 gibt einen Überblick über den aktuellen Stand der Forschung im Bereich Social-Mediabezogener Störungen. Abschnitt 3 beschreibt anschließend die Struktur dieser Störungen anhand der in der Literatur beschriebenen Symptome und deren taxonomischer Einordnung. Abschnitt 4 führt das erwähnte Beschreibungsmodell ein bevor Abschnitt 5 Herausforderungen und den weiteren Forschungsbedarf skizziert.

Social Media birgt neben den vielen nutzenbringenden Anwendungsfeldern auch eine Reihe von Gefahren: Der ungefilterte und vor allem unreflektierte Umgang mit einer Vielzahl an Informationsquellen führt zu Phänomenen wie Information Overload oder Cybermobbing, die schließlich in realen gesundheitsgefährdenden Störungen resultieren können. Dabei unterscheiden wir zwischen Störungen der Partizipation und Störungen durch die Exposition und untergliedern diese gemäß pathologischer und sozialwissenschaftlicher Ordnungssysteme. Ebenso wie bei der Erforschung neuer Krankheitsbilder werden hier zunächst eine einheitliche Sprache und eine Taxonomie benötigt, mit der die gefundenen Krankheitsbilder, die Pathologien, korrekt beschrieben und eingeordnet werden können. Der Beitrag liefert hierfür einen ersten Ansatz und schafft damit Voraussetzungen zur Entwicklung informationstechnischer Präventionsmaßnahmen.