Archiv der Kategorie: Beitrag

Semantic Hainhofer: Linked Open Data aus dem Projekt „Kommentierte digitale Edition der Reise- und Sammlungsbeschreibungen Philipp Hainhofers (1578-1647)“

Beitrag von Martin de la Iglesia (HAB)

Die digitale Edition der Reiseberichte und Sammlungsbeschreibungen Philipp Hainhofers (hainhofer.hab.de) umfasst aktuell 5 Texte (15 weitere sind in Vorbereitung), die durch kommentierte Register erschlossen sind bzw. zum Teil derzeit noch erschlossen werden. Diese Register, welche die in den Reiseberichten erwähnten Personen, Orte,[i] Objekte (Kunstwerke u.a.) und Körperschaften (Institutionen) verzeichnen, bilden die Hauptgrundlage für die jüngst veröffentlichten Linked Open Data (LOD).

In seiner ersten Version bietet das LOD-Datenset (RDF/XML, ca. 1,3 MB) rund 13.000 RDF-Tripel, die sich auf über 1000 Entitäten beziehen.[ii] Bis auf wenige Ausnahmen entstammen diese Entitäten der Gemeinsamen Normdatei (GND), d.h. die GND-URIs bilden die Subjekte der Tripel. Den größten Anteil an den Entitäten bilden Personen (692), gefolgt von Orten (263). Der Anteil an Objekten (33) und Körperschaften (16) ist zurzeit also noch überschaubar, wird aber voraussichtlich in den nächsten Jahren noch wachsen.

Grundsätzlich weisen alle Entitäten die folgenden Properties auf (Auflösung der Präfixe s.u.):

  • rdf:type – Zusätzlich zu den in der GND vergebenen gndo-Klassen werden die Entitäten weiteren Klassen aus denjenigen Ontologien zugeordnet, aus denen die anderen verwendeten Properties stammen.[iii] Dabei handelt es sich um die folgenden Klassen:
    • Personen: ecrm:E21_Person, foaf:Person, owl:Thing, schema:Person, wd:Q5
    • Orte: ecrm:E53_Place, schema:Place
    • Objekte: bf:Instance,[iv] ecrm:E22_Human-Made_Object, owl:Thing, schema:Thing
    • Körperschaften: ecrm:E74_Group, foaf:Organization, schema:Organization
  • rdfs:label – Die Vorzugsbenennung der Entität, wie sie auch auf der Editionswebseite verwendet wird. Oftmals unterscheidet sich diese von der in der GND.
  • schema:mainEntityOfPage – URL des zugehörigen Registereintrags auf der Editionswebseite. Dieser bietet in der Regel weiterführende, in den LOD nicht enthaltene Informationen wie Kommentartexte oder Abbildungen.
  • ecrm:P67i_is_referred_to_by – Link zu der Seite innerhalb eines Reiseberichts, auf der die Entität erwähnt wird. Mehrmalige Erwähnungen auf derselben Seite werden nicht gesondert berücksichtigt, sondern durch ein einziges Tripel repräsentiert.
  • Viele Entitäten weisen zudem die Property ecrm:P70i_is_documented_in auf, durch die auf Sekundärliteratur verwiesen wird, die zur Erstellung der Registereinträge herangezogen wurde. Bei den Objekten handelt es sich um URIs aus dem Gemeinsamen Verbundkatalog (GVK). Darin sind derzeit Sammelbandbeiträge und Zeitschriftenaufsätze noch unterrepräsentiert. Die GVK-URIs lassen sich am besten auflösen durch URLs in der Form http://unapi.k10plus.de/?id=gvk:ppn:… bzw. http://unapi.k10plus.de/?id=gvk:ppn:…&format=… (Beispiel: http://unapi.k10plus.de/?id=gvk:ppn:1671800486&format=isbd).
  • Ebenfalls häufig verwendet wird owl:sameAs, um auf Normdaten zu verweisen, die sich auf dieselbe Entität beziehen. Bei den potentiellen Datenquellen handelt es sich um Sandrart.net, bei Personen zudem um Getty Union List of Artist Names (ULAN) bzw. bei Orten um GeoNames und Getty Thesaurus of Geographic Names (TGN). Auf owl:sameAs-Links zu Wikidata wurde verzichtet, da diese bereits in der GND nachgewiesen sind.
  • Gelegentlich wird mittels foaf:page auf externe Webseiten mit weiterführenden Informationen zur jeweiligen Entität verlinkt. Bei Objekten entstammen diese vor allem dem Bildindex der Kunst & Architektur und Bavarikon, bei Personen dem Biographisch-Bibliographischen Kirchenlexikon (lizenzpflichtig) und der Deutschen Biographie.

Weitere Properties kommen nur bei einem Teil der Entitäten zum Einsatz:

  • Personen:
    • schema:birthDate und schema:deathDate – sofern das exakte Geburts- und/oder Todesjahr bekannt ist. Ungenaue oder unsichere Lebensdaten sind nur in den Registereinträgen auf der Editionswebseite enthalten. Zu beachten ist hierbei, dass das Datenformat dem Standard ISO 8601 entspricht, d.h. das Jahr 1 v. Chr. wird repräsentiert durch „0000“, 2 v. Chr. durch „-0001“ usw.
    • wdt:P140 – die Religionszugehörigkeit bzw. Konfession der Person. Mögliche Objekte: wd:Q1841 (katholisch), wd:Q23540 (protestantisch), wd:Q106039 (christlich allgemein; i.d.R. verwendet für Personen aus vorreformatorischer Zeit). Bei Konvertiten kann diese Property mehrfach vorkommen.
    • foaf:made – verweist auf Werke (v.a. Kunstobjekte; siehe auch [iv]), die diese Person geschaffen hat. Bislang sind allerdings nur wenige Datensätze für entsprechende Werke in der GND enthalten, so dass diese Property selten vorkommt. Grundsätzlich können auch Körperschaften Urheberinnen sein.
  • Orte:
    • ecrm:P89_falls_within – i.d.R. die Relation zwischen einem Gebäude und der Stadt, in der es steht. Viele Bauwerke werden hier jedoch als Objekte geführt; dann wird für diese Art der Relation die Property ecrm:P53_has_former_or_current_location verwendet (s.u.).
  • Objekte:
    • ecrm:P50_has_current_keeper und ecrm:P55_has_current_location – Gibt die heutige besitzende Institution (z.B. ein Museum) und den heutigen Standort an.
    • ecrm:P53_has_former_or_current_location – Gibt den Standort zu Hainhofers Zeit an.
    • ecrm:P53i_is_former_or_current_location_of – Wenn es sich bei dem Objekt um ein Bauwerk handelt, kann dieses seinerseits Standort von anderen Objekten (gewesen) sein. Auch diese Angabe bezieht sich auf Hainhofers Zeit.
    • ecrm:P62_depicts – Relation zwischen einem Kunstwerk und einer darauf dargestellten Entität (z.B. Porträtgemälde und porträtierte Person).
    • bf:subject – GND-Schlagwörter im Zusammenhang mit dem Objekt. Dies können sowohl Sachschlagwörter (z.B. künstlerische Motive) als auch Formschlagwörter (z.B. Technik, Material) sein.
  • Körperschaften:
    • ecrm:P107_has_current_or_former_member – Personen, die der Körperschaft angehören.
    • ecrm:P74_has_current_or_former_residence – Der (Haupt-) Sitz der Körperschaft.
  • Zusätzlich sind alle Entitäten aufgelistet, die Hainhofer nicht nur in seinen Reiseberichten erwähnt, sondern auf diesen Reisen selbst getroffen bzw. gesehen hat. Diese Auflistung erfolgt durch Tripel mit dem Subjekt http://d-nb.info/gnd/118700804 (Philipp Hainhofer) und dem Prädikat edm:hasMet. Die Datengrundlage dafür sind nicht die Register, sondern die TEI/XML-Dateien der Reiseberichte (tei:rs/@role).

Da in den nächsten Jahren fortlaufend neue edierte Reiseberichte und Registereinträge hinzukommen werden, wird auch das LOD-Datenset gelegentlich erweitert und aktualisiert werden. Das jeweilige Datum der letzten Bearbeitung ist dem dcterms:modified-Statement am Anfang des RDF-Dokuments zu entnehmen.

Verwendete Namensraumpräfixe:

  • bf: Bibframe, http://id.loc.gov/ontologies/bibframe/
  • dcterms: Dublin Core Metadata Initiative Metadata Terms, http://purl.org/dc/terms/
  • ecrm: Erlangen CRM / OWL implementation of the CIDOC Conceptual Reference Model, http://erlangen-crm.org/current/
  • edm: Europeana Data Model, http://www.europeana.eu/schemas/edm/
  • foaf: FOAF, http://xmlns.com/foaf/0.1/
  • gndo: GND Ontology, https://d-nb.info/standards/elementset/gnd#
  • owl: Web Ontology Language, http://www.w3.org/2002/07/owl#
  • rdf: Resource Description Framework, http://www.w3.org/1999/02/22-rdf-syntax-ns#
  • rdfs: RDF Schema, http://www.w3.org/2000/01/rdf-schema#
  • schema: Schema.org, http://schema.org/
  • wd: Wikidata entities, http://www.wikidata.org/entity/
  • wdt: Wikidata properties, http://www.wikidata.org/prop/direct/
Beispielvisualisierung: die am häufigsten in Haihofers Reiseberichten erwähnten Personen (Auszug). Die Größe der Bilder ist proportional zur Anzahl der ecrm:P67i_is_referred_to_by-Statements. Gemeinfreie Bilder aus Wikimedia Commons via Wikidata (wdt:P18) via GND (owl:sameAs).

[i] Das Ortsregister umfasst auch Gebäude, sofern sie nicht aufgrund ihres im Vordergrund stehenden architektonischen Charakters ins Objektregister aufgenommen wurden.

[ii] Dazu kommen 1385 weitere Entitäten und Tripel, auf die im Weiteren nicht eingegangen wird, da sie nur der Klassenzuweisung für in anderen Tripeln als Objekte verwendete Entitäten dienen.

[iii] Genauer gesagt handelt es sich um Klassen, die als Domain bzw. Range der Properties definiert sind. Diese können auch fremden Ontologien entstammen. Dies ist beispielsweise der Fall bei foaf:made, dessen Range owl:Thing ist.

[iv] Auch wenn hier im Zusammenhang mit dem Objektregister auch von „Werken“ gesprochen wird, handelt es sich nicht um abstrakte Works im Sinne des WEMI-Modells, sondern um konkrete einzelne Artefakte, also Instances.

OCR zur Vorbereitung Digitaler Editionen

Beitrag von Elisa Herrmann (HAB)

Ein beträchtlicher Teil des im deutschen Sprachraum erschienenen schriftlichen kulturellen Erbes ist in mehreren, durch die DFG geförderten Kampagnen digitalisiert und in VD16, VD 17 und VD 18 nachgewiesen worden. Auch wenn damit viel erreicht und die Forschungsbedingungen erheblich verbessert wurden, ist dies doch nur erst eine unabdingbare Voraussetzung für den zweiten Schritt: die vollständige Umwandlung der Images in eine maschinenlesbare Form. Das gesamte schriftliche Kulturerbe als Volltext für Recherche und weitere Bearbeitung, etwa für digitale Editionen zur Verfügung zu stellen ist nicht nur eine verwegene Vision, sondern angesichts der jüngsten technischen Entwicklungen im Bereich OCR  ein realistisches Szenario.

Vom Bild zum Text – Der OCR-Prozess

Der OCR-Prozess beginnt bereits einige Schritte vor der eigentlichen Texterkennung. Zunächst wird das Bilddigitalisat im Preprocessing vorbereitet. Prozessschritte können dabei das Zuschneiden (Cropping), das Begradigen (Deskewing) und Entzerren (Dewarping) der Seiten sowie das automatische Bereinigen (Despeckling) sein. Das Preprocessing wird meist durch die Binarisierung abgeschlossen. Zu beachten ist, dass je nach Material und verwendeter Texterkennungsmethode auf einzelne Schritte des Preprocessings verzichtet werden kann.

So vorbereitet kann eine erste Layout-Erkennung durchgeführt werden. Die Seite wird dabei in Text- und Nicht-Textzonen und weiter bis auf einzelne Zeilen unterteilt. Dabei können die einzelnen Schritte des Preprocessing nochmals auf Absatz- und/oder Zeilenebene wiederholt werden. Größere Herausforderungen sind hier komplexe Layouts, etwa durch mehrspaltige Texte und Marginalien, aber auch Schmuckinitialen werden oftmals als Grafik und damit als Nicht-Text-Zone klassifiziert.

Dem folgt die eigentliche Texterkennung mittels OCR-Software. Sind derzeit vor allem noch klassische Verfahren der Optical Character Recognition bei vielen Digitalisierungsvorhaben verbreitet, drängen neuere Ansätze mittels Neuronalen Netzen stärker in den Fokus, deren Praxistauglichkeit für Massenprozessierungen es noch zu prüfen gilt. Eine Schwierigkeit der Texterkennung stellt vor allem der Schriftypen- und Sprachmix, teilweise auf Wortebene, dar.

Vergleich der Software Tesseract mit den klassischen Verfahren und OCRopus, die bereits modernere Ansätze verfolgt.

Nun kann als weiterer Schritt der Layout-Erkennung die Region Classification erfolgen. Dabei werden die layout-semantischen Funktion der einzelnen Textregionen, etwa Überschrift, Seitenzahl oder Marginalie, bestimmt. Dies ermöglicht auch die automatische Document Analysis mit deren Hilfe die Dokumentenstruktur aus den zuvor erkannten Strukturelementen erfasst wird um bspw. automatisch Inhaltsverzeichnisse zu generieren.

Da jedoch auch moderne Methoden bei historischen Vorlagen kaum eine gewünschte Qualität von >99% Textgenauigkeit erreichen, muss eine Nachkorrektur der OCR-Ergebnisse folgen. Die entsprechende Nachkorrektur kann manuell, etwa auch in Form von Crowdsourcing-Projekten, oder halbautomatisch mittels entsprechender Software durchgeführt werden. Solche Tools bieten die Möglichkeit potentiell falsch erkannte Wörter hervorzuheben und bieten ggf. mit Wörterbucheinträgen Vorschläge zur Korrektur an. Der Einsatz vollautomatischer Nachkorrekturverfahren wird auf Grund der uneinheitlichen Orthografie und zum Teil starker dialektaler Einflüsse in den historischen Materialien derzeit nicht in der Praxis angewandt.

Der korrigierte Text wird im finalen Schritt in die Langzeitarchivierung übergeben.

Das Projekt OCR-D

Der hier beschriebene OCR-Prozess wird bereits in dieser oder ähnlicher Form in vielen Digitalisierungsvorhaben für die Erstellung von Volltexten eingesetzt. In den letzten Jahren haben sich zudem diverse Herausforderungen der OCR für historische Drucke durch aktuelle Forschungsentwicklungen und innovative Ansätze gelöst. Fraglich ist jedoch ob diese Methoden bereits reif für den Praxiseinsatz und die Massenprozessierung sind.

Die „Koordinierte Förderinitiative zur Weiterentwicklung von OCR-Verfahren“, kurz OCR-D, versucht hier einen Lückenschluss zwischen Forschung und Praxiseinsatz indem für die Entwicklungsbedarfe Lösungen erarbeitet und der aktuelle Forschungsstand zur OCR mit den Anforderungen aus der Praxis zusammen gebracht werden.

Das Projekt versteht sich dabei als Koordinierungsgremium und Netzwerk zugleich, bringt Entwickler, Forscher und Anwender zusammen um aktuelle Erkenntnisse aus der Forschung mit den Anforderungen aus der Praxis in einer praktikablen Lösung zu vereinen.

Das DFG-geförderte Projekt wird von der Herzog August Bibliothek Wolfenbüttel, der Berlin-Brandenburgischen Akademie der Wissenschaften in Berlin sowie der Staatsbibliothek zu Berlin – Preußischer Kulturbesitz und dem Karlsruher Institut für Technologie betreut. In der ersten Projektphase wurden (Entwicklungs-)Bedarfe analysiert, die in der zweiten Projektphase durch Modulprojekte umgesetzt werden.

Für zukünftige Digitalisierungsprojekte haben die Ergebnisse aus OCR-D weitreichende Veränderungen. Zum einen soll die Transformation der Titel aus den VD-Projekten in maschinenlesbare Form vorbereitet werden, zum anderen werden auch Vorschläge für die Aktualisierung der DFG-Praxisregeln „Digitalisierung“ auf Grundlage der neuen Erkenntnisse erarbeitet, nicht zuletzt um im Geiste europäischer und nationaler Agenden die Medienkonversion des gesamten im deutschen Sprachraum erschienenen schriftlichen kulturellen Erbes mittel- bis langfristig zu vollenden.

Für weitere Einstiege in das Thema führt OCR-D eine Zotero-Liste für den Technology Watch: https://www.zotero.org/groups/ocr-d

 

Zitierempfehlung: Elisa Herrmann: OCR zur Vorbereitung Digitaler Editionen. In: Ex officina Seleni: aus der Werkstatt der Herzog August Bibliothek Wolfenbüttel. Blog der Arbeitsgemeinschaft Digitale Editionen. 29. Juni 2017. https://eos.hypotheses.org/229.