ArticlePDF Available

Folksonomies in knowledge representation and information retrieval

March 2008
NFD Information-Wissenschaft und Praxis 59(2):77-90

March 2008
59(2):77-90

Authors:

Isabella Peters

German National Library of Economics

Wolfgang G. Stock

Heinrich Heine University Düsseldorf, Germany

In Web 2.0 services "prosumers" - producers and consumers - collaborate not only for the purpose of creating content, but to index these pieces of information as well. Folksonomies permit actors to describe documents with subject headings, "tags", without regarding any rules. Apart from a lot of benefits folksonomies have many shortcomings (e.g., lack of precision). In order to solve some of the problems we propose interpreting tags as natural language terms. Accordingly, we can introduce methods of NLP to solve the tags' linguistic problems. Additionally, we present criteria for tagged documents to create a ranking by relevance (tag distribution, collaboration and actor-based aspects). Besides recommending similar documents ("more like this!") folksonomies can be used for the recommendation of similar users and communities ("more like me!").

Content uploaded by Wolfgang G. Stock

Content may be subject to copyright.

Düsseldorfer Informationswissenschaft





In den frühen Jahren des World Wide

Web sind einige wenige Experten in der

Lage, Wissen über dieses Medium zu ver-

teilen. Die Mehrzahl all derjenigen, die

mit dem WWW zu tun haben, beschränkt

Die populären Web 2.0-Dienste werden von Prosumern – Produzenten und gleich-

sam Konsumenten – nicht nur dazu genutzt, Inhalte zu produzieren, sondern

auch, um sie inhaltlich zu erschließen. Folksonomies erlauben es dem Nutzer, Do-

kumente mit eigenen Schlagworten, sog. Tags, zu beschreiben, ohne dabei auf

gewisse Regeln oder Vorgaben achten zu müssen. Neben einigen Vorteilen zeigen

Folksonomies aber auch zahlreiche Schwächen (u. a. einen Mangel an Präzision).

Um diesen Nachteilen größtenteils entgegenzuwirken, schlagen wir eine Interpre-

tation der Tags als natürlichsprachige Wörter vor. Dadurch ist es uns möglich,

Methoden des Natural Language Processing (NLP) auf die Tags anzuwenden und

so linguistische Probleme der Tags zu beseitigen. Darüber hinaus diskutieren wir

Ansätze und weitere Vorschläge (Tagverteilungen, Kollaboration und akteurspezi-

fische Aspekte) hinsichtlich eines Relevance Rankings von getaggten Dokumenten.

Neben Vorschlägen auf ähnliche Dokumente („more like this!“) erlauben Folkso-

nomies auch Hinweise auf verwandte Nutzer und damit auf Communities („more

like me!“).

Folksonomies in Knowledge Representation and Information Retrieval

In Web 2.0 services “prosumers” – producers and consumers – collaborate not only

for the purpose of creating content, but to index these pieces of information as

well. Folksonomies permit actors to describe documents with subject headings,

“tags“, without regarding any rules. Apart from a lot of benefits folksonomies

have many shortcomings (e.g., lack of precision). In order to solve some of the pro-

blems we propose interpreting tags as natural language terms. Accordingly, we

can introduce methods of NLP to solve the tags’ linguistic problems. Additionally,

we present criteria for tagged documents to create a ranking by relevance (tag dis-

tribution, collaboration and actor-based aspects). Besides recommending similar

documents („more like this!“) folksonomies can be used for the recommendation

of similar users and communities („more like me!“).

FolksonomiesinWissensrepräsentation

undInformationRetrieval

Isabella Peters und Wolfgang G. Stock, Düsseldorf

Der Artikel ist eine übersetzte und überarbei-

tete Fassung eines Vortrags der Verfasser

bei der 70. Jahrestagung der American Soci-

ety for Information Science and Technology

in Milwaukee, Wisconsin, am 24. Oktober

2007. Isabella Peters trug eine Version des

Vortrags am 29.Oktober 2007 beim Center for

Intelligent Information Retrieval (University

of Massachusetts, Amherst) vor. Der Studien-

aufenthalt von Isabella Peters wurde durch

eine anteilige Finanzierung der Deutschen

Forschungsgemeinschaft (DFG) ermöglicht.

Wir danken der DFG für das gewährte Reise-

stipendium.

ihren Umgang mit dem Web ausschließ-

lich auf die passive Nutzung des Medi-

ums. Mit dem Beginn des 21. Jahrhun-

derts kommen Dienste auf, die sehr leicht

zu bedienen sind und

die damit Nutzern

gestatten, Content

problemlos zu publi-

zieren. Aus dem (pas-

siven) Nutzer wird

nunmehr zusätzlich

ein (aktiver) Webau-

tor. Der Konsument

von Wissen ist gleich-

sam auch sein Produ-

zent geworden, ein

„Prosumer“ im Sinne

Tofflers (1980). Da die

Autoren (zumindest

manchmal) ihre Doku-

mente wechselseitig

korrigieren und fort-

schreiben, kann man

in diesem Zusammenhang durchaus von

„kollektiver Intelligenz“ sprechen: „With

content derived primarily by community

contribution, popular and influential ser-

vices like Flickr and Wikipedia represent

the emergence of ‚collective intelligence‘

as the new driving force behind the evo-

lution of the Internet“ (Weiss, 2005, 16).

„Kollektive Intelligenz“ entsteht dank

der Zusammenarbeit von Autoren und

Nutzern in „kollaborativen Diensten“,

die zusammengefasst als „Web 2.0“

(O’Reilly, 2005) etikettiert werden kön-

nen. Solche Dienste widmen sich bei-

spielsweise dem Führen von „Tagebü-

chern“ (Weblogs) und deren Suche (z.B.

Technorati), dem Aufbau einer Enzyklo-

pädie (z.B. Wikipedia), der Ordnung von

Lesezeichen zu Webseiten (Del.icio.us),

von Bildern (Flickr) oder von Videos (You-

Tube). Die Inhalte von Diensten, insofern

diese sich komplementär ergänzen, wer-

den gelegentlich als „mash-ups“ (Weiss,

2005, 23) zusammengeführt (beispiels-

weise Housingmaps.com als „mash-up“

aus Immobilieninformationen aus Craigs-

list mit Landkarten und Satellitenbildern

aus Google Maps). Die Kooperation endet

nicht beim Bereitstellen von Content,

sondern schließt bei einigen Web-2.0-Ser-

vices auch die inhaltliche Erschließung

des bereitgestellten Wissens mit ein. In

Abbildung 1 sehen wir eine „tag cloud“

(Sinclair & Cardew-Hall, 2008) aus den

Dingen, die die Nutzer in ihrem Leben

noch tun oder erreichen wollen. Die Häu-

Abbildung 1: Tag Cloud der Homepage „43 Things“.

Quelle: http://www.43things.com.

59(2008)2, 77-90 

figkeit der Worte, der Tags, wird durch

die Schriftgröße angedeutet. Am häufigs-

ten wurde be happy, am zweithäufigsten

take more pictures und weniger oft get a

new job als Lebensziel genannt.

Diese Art der freien Schlagwortvergabe

durch jedermann bezeichnen wir als

„Folksonomy“, wobei die freien Schlag-

worte hier „Tags“ genannt werden. Die

Indexierung mithilfe von Folksonomies

ist demnach „Tagging“. Peter Merholz

(2004) bezeichnet das Verfahren als

„metadata for the masses“, der Schrift-

steller James Surowiecki (2004) nennt

es „the wisdom of crowds“ (McFedries,

2006, 80). Folksonomies sind eine Form

der Inhaltserschließung im Sinne einer

freien Verschlagwortung von Dokumen-

ten im Internet (Furnas et al., 2006). Die

Produzenten oder auch die Nutzer der

Dokumente werden selbst zu Indexern.

Es gibt keine zentrale Kontrolle, die die

Tags und die Arbeit der Prosumer prüft.

Der Begriff „Folksonomy“ als Kunstwort

aus „Folk“ und „Taxonomy“ geht auf

einen Beitrag in einem Blog zur Infor-

mationsarchitektur zurück, in dem Gene

Smith (2004) Thomas Vander Wal zitiert:

„Last week I asked the AIfIA (i.e. the

„Asilomar Institute for Information

Architecture“, d. A.) member‘s list what

they thought about the social classifica-

tion happening at Furl, Flickr and

Del.icio.us each of these systems people

classify their pictures/bookmarks/web

pages with tags …, and then the most

popular tags float on the top …

Thomas Vander Wal, in his reply, coined

the great name for these informal social

categories: a folksonomy.

Still, the idea of socially constructed

classification schemes (with no input

from an information architect) is interes-

ting. Maybe one of these services will

manage to build a social thesaurus“.

Smith gebraucht das Wort „classifica-

tion“ zur Umschreibung von Folksono-

mies. Dies weist – genau wie Taxonomie

– in eine falsche Richtung. Folksonomies

sind gerade keine Klassifikationen, denn

sie arbeiten weder mit Notationen noch

mit Relationen. Wichtig erscheint uns

der Hinweis Smith‘, dass man, aufbau-

end auf Folksonomies, Thesauri koopera-

tiv erstellen kann.

Weite Verbreitung finden Folksonomies

bei den Web 2.0-Diensten, sie können

aber genauso in firmeneigenen Intra-

nets angewendet werden (Fichter, 2006),

z.B. um Corporate Blogs, Podcasts oder

Vodcasts (Peters, 2006a; Peters, 2006b;

Peters & Stock, 2006), Corporate Book-

marking-Dienste (Millen, Feinberg, &

Kerr, 2006) oder Schwarze Bretter (Mu-

rison, 2005) zu erschließen. In Spiteri

(2006 und 2007) wird der Gebrauch von

Folksonomies bei Katalogen öffentlicher

Bibliotheken diskutiert. Smith (2006) und

Trant (2006a, 2006b) berichten über den

Einsatz dieser Indexierungsmethode in

Museen. Heller (2007) stellt die Nutzung

von Folksonomies beim Aufbau gemein-

schaftlich erstellter Bibliographien dar,

ähnlich Hänger und Krätzsch (2007) bei

der Erschließung ansonsten uninde-

xierter Dokumente. Stock (2007b) ist ein

Plädoyer für ein Mash-up von bewährten

„traditionellen“ Indexierungsmethoden

und Folksonomies bei kommerziellen In-

formationsdiensten (siehe auch Peters,

2007)



Mit Thomas Vander Wal (2005) lassen

sich zwei Formen von Folksonomies un-

terscheiden: broad, weite, und narrow,

enge, Folksonomies (siehe auch Dye,

2006). In der Broad Folksonomy (Abbil-

dung 2) können viele verschiedene Nut-

zer (A bis F in der Abbildung) ein Doku-

ment mit Tags versehen. So wird der Do-

kumentinhalt aus zahlreichen Ansichten

mit gleichen, ähnlichen oder völlig ver-

schiedenen Schlagworten beschrieben

(1 bis 5). Das bekannteste Web 2.0-An-

gebot, das diese Art der multiplen Ver-

schlagwortung nutzt, ist der Social Book-

marking-Dienst Del.icio.us. Auch für den

Wissenschaftsbereich existieren mit Ci-

teULike, Connotea (Hammond, Hannay,

Lund, & Scott, 2005; Lund, Hammond,

Flack, & Hannay, 2005) und BibSonomy

(Hotho, Jäschke, Schmitz, & Stumme,

2006c) entsprechende Systeme.

In Narrow Folksonomies werden Tags

nur einmal pro Dokument vergeben und

auch nur einmal erfasst. Deswegen kön-

nen nur neue Tags zugeordnet werden.

Daher besteht keine Möglichkeit, Tag-

häufigkeiten zu zählen und Verteilungen

zu beobachten. Häufig vergibt der Autor

(oder der Content Creator) die ersten

Tags; manchmal ist es auch anderen

Usern erlaubt, weitere Tags hinzuzufü-

gen. Dieses Vorgehen erinnert an die In-

haltserschließung mit den kontrollierten

Vokabularien aus Nomenklaturen, The-

sauri oder Klassifikationssystemen (Stock

& Stock, 2008, Kap. 11 bis 13) durch pro-

fessionelle Indexer; abgesehen davon,

dass in Folksonomies nur unkontrollierte

Terme zum Einsatz kommen. Web 2.0-

Dienste, die mit Narrow Folksonomies

arbeiten, sind u. a. Flickr (Fotos; Beau-

doin, 2007), Technorati (Blogeinträge)

und YouTube (Videos).

Narrow Folksonomies können keine be-

stimmten Häufigkeitsverteilungen der

Indexierungs-Tags zeigen, da bei ihnen

alle Tags gleichwertig sind (alle kommen

genau einmal vor). Allerdings ist es mög-

lich, Tagverteilungen aus den Such-Tags

zu gewinnen. Die Frage ist hier: Welches

Dokument wird mit welchen Tags gefun-

den? Jedem (angezeigten und angeklick-

Abbildung 3: Folksonomy mit singulärer Ver-

gabe von Tags („Narrow Folksonomy“).

Quelle: Vander Wal (2005).

Abbildung 2: Folksonomy mit Mehrfachvergabe

gleicher Tags („Broad Folksonomy“).

Quelle: Vander Wal (2005).

Folksonomies

 59(2008)2, 77-90

ten) Dokument werden diejenigen Terme

als Such-Tags zugeordnet, mit denen

der jeweiligen User erfolgreich das Do-

kument recherchiert hat. Solche Unter-

suchungsoptionen bestanden eigentlich

schon immer; u. W. fanden sie jedoch

noch nie Einsatz.

Im Vergleich zu den Broad Folksonomies

werden Narrow Folksonomies i. d. R.

mit weniger Tags indexiert. Das ist ein

Grund, warum hier kein besonders lan-

ger Long Tail wird entstehen können.

Die Häufigkeitsverteilungen der Such-

Tags können aber durchaus gewisse Re-

gelmäßigkeiten aufweisen.



Vander Wal (2005), Shirky (2005), Munk

& Mork (2007) u. a. stellen bei Broad

Folksonomies fest, dass die Verteilung

der indexierten Tags einer Power Law-

Kurve nach Lotka’s Gesetz (Egghe &

Rousseau, 1990; Egghe, 2005) gleicht.

Diese Verteilung folgt der Gleichung

f(x)= C / xa ,

bei der C eine Konstante, x der Rang des

gegebenen Tags und a ein konstanter

Wert (normalerweise zwischen 1 und 2)

ist. Sollte diese Annahme richtig sein,

wären am linken Anfang der Kurve nur

wenige Tags mit hohen Werten platziert,

das rechte Ende der Kurve würde aller-

dings aus zahlreichen nahezu gleichhäu-

figen Tags bestehen und den sog. „Lan-

gen Schwanz“, den „Long Tail“, bilden.

Wie sieht dies konkret aus?

In Abbildung 4 wird deutlich, dass sich

bestimmte Tags durch ihre Häufigkeit

von anderen Tags deutlich abgrenzen.

Die Tags politik und bundestag auf der

linken Seite der Kurve vereinen fast 80

Prozent der gesamten Taghäufigkeit auf

sich, während die rechte Seite der Kurve

mit Tags wie culture, institutionen und

news zwar eine größere Vielfalt der Con-

tent-Beschreibung aufweist, die aber

jeweils nicht so häufig genannt wer-

den. Diese Menge an niedrigfrequenten

nahezu gleichhäufigen Tags bildet den

Long Tail. Nach dem Aufrufen der Web-

seite kann man erkennen, dass die Tags

am Beginn der Kurve (politik, bundestag)

den Website-Content in einem hohen

Maße adäquat und allgemein, die Long

Tail-Tags ihn jedoch sehr speziell be-

schreiben. Die Kurve zur Webseite www.

bundestag.de und somit die Tagvertei-

lung folgt hier dem Power Law mit einem

Exponenten von ungefähr a = 1. Eine ide-

altypische Power Law-Verteilung zeigt

Abbildung 5.

In einer Untersuchung gemeinsamen

Auftretens von Tags („co-tags“ in Ana-

logie zu den „co-citations“ der Zitati-

onsanalyse) können Lux, Granitzer und

Kern (2007) zeigen, dass rund 80% der

Folksonomies

Tags derart mit an-

deren Tags vorkom-

men, dass diese an-

deren Terme einem

Po wer Law folgen.

Wie lässt sich dies

erklären? Einen sehr

interessanten theore-

tischen Ansatz legen

Cattuto (2006) sowie

Cattuto, Loreta und

Pietronero (2007)

vor. Auch hier geht

es – wie bei Lux et

al. – um das Auftre-

ten der Tags auf einer Makroebene (der

gesamten Datenbank oder experimen-

tell abgetrennter Teile davon) und nicht

– wie in unserem Beispiel (Abbildung 4)

– um die Mikroebene, der Zuordnung ge-

wisser Tags zu konkreten Dokumenten.

Cattuto et al. wenden den Ansatz der

„Semiotics Dynamics“ auf die Kreation

neuer bzw. dem Verwenden alter Tags

in einer Folksonomy an. “Folksonomies

… do exhibit dynamical aspects also ob-

served in human language, such as the

emergence of naming conventions, com-

petition between terms, takeovers by

neologisms, and more” (Cattuto, 2006,

33). Das Erklärungsmodell hat seinen Ur-

seine Wahrscheinlichkeit, dass er auch

erneut zur Indexierung herangezogen

wird. Cattuto et al. verfeinern den Yule-

Simon-Ansatz um eine Zeitkomponente

derart, dass neuere Tags eine größere In-

dexierungswahrscheinlichkeit haben als

alte. „It seems more realistic to assume

that users tend to apply recently added

tags more frequently than old ones, ac-

cording to a skewed memory kernel“

(Cattuto, 2006, 35). Abbildung 6 zeigt

das Erklärungsmodell im Überblick. Die

Wahrscheinlichkeit p drückt aus, dass

ein völlig neuer Tag zur Indexierung

herangezogen wird, 1 – p entsprechend,

dass ein alter gewählt wird. Letztere

Wahrscheinlichkeit hängt von der Zeit

ab, zu der der (alte) Tag genutzt worden

ist. Die Zeitangaben sind im Gedächtnis

Q gespeichert und steuern eine Gewich-

tung nach der Regel „je neuer, desto

wahrscheinlicher“.

Abbildung 6: Ein Yule-Simon-Prozess der

Auswahl von Indexierungs-Tags mit Berück-

sichtigung des Alters der Tags. Quelle: Cattuto,

Loreto, & Pietronero (2007, Fig. 5).

Für die Makroebene erscheint der Ansatz

von Cattuto und des Yule-Simon-Modells

vielversprechend. Offen ist, ob sich diese

Theorie auch auf die Mikroebene über-

tragen lässt. Wenn ja, müssten sich die

Tags auf der Dokumentebene auch nach

dem Power Law verteilen. Dies scheint

aber nicht – oder zumindest nicht immer

– zuzutreffen. Lux et al. (2007) konnten

(auf der Makroebene) nur 80% der Co-

Tag-Verteilungen als Power Law aus-

zeichnen. 20% folgen offenbar anderen

Regeln. Betrachten wir ein zweites Bei-

spiel einer dokumentspezifischen Tag-

Verteilung (Abbildung 7)!

Wie man sieht, folgt die Tagverteilung

hier nicht dem Power Law. Es scheint,

als würden sich hier zwei „Lange

sprung im Yule-Simon-Ansatz, der Wahr-

scheinlichkeiten für das Auftreten von

Worten in Texten thematisiert. An jeder

Stelle eines Textes gilt: Ein bestimmtes

Wort hat die Wahrscheinlichkeit p, ein

neues Wort zu sein (d.h., noch nicht im

bisherigen Text vorzukommen), oder es

hat die Wahrscheinlichkeit 1 – p, eine

Kopie eines bereits vorhandenen Wortes

zu sein. Die Größe von 1 – p hängt davon

ab, wie häufig das gegebene Wort schon

im Text vorgekommen ist, wobei ein ein-

facher Zusammenhang hergestellt wird:

Je häufiger das Wort bereits vorkommt,

desto wahrscheinlicher ist es, dass es

erneut Anwendung findet. Der Yule-

Simon-Ansatz ist damit eine auf Texte

angewandte Variante des altbekannten

„Erfolg gebiert Erfolg“ oder des „Wer

hat, dem wird gegeben“. Um dieses Mo-

dell auf Folksonomies anzuwenden, muss

man nur statt von „Worten in Texten“

von „Tags in Datenbanken“ sprechen. Je

häufiger ein Tag bereits in einem Infor-

mationsdienst auftritt, desto höher wird

Abbildung 5: Power Law.

Abbildung 4: Tagverteilung zur Webseite www.bundestag.de.

Quelle: http://del.icio.us (Stand: November 2007;

Anzahl indexierender User: 60).

Anzahl

59(2008)2, 77-90 

Einige Untersuchungen

scheinen von der still-

schweigenden Vorausset-

zung auszugehen, es gäbe

ausschließlich die Power

Law-Verteilung. Da bei

beiden Verteilungskur-

ven ein langer Schwanz

auftritt, ist in der Tat eine

Verwechslungsmöglich-

keit gegeben. Man muss

demnach besonderes Au-

genmerk auf den Anfang

der Verteilung legen. Das

entscheidende Kriterium,

das ein Power Law aus-

schließt, ist das Vorliegen des langen

Rüssels. Approximiert man eine Kurve

unter Auslassen der ersten Rangplätze

(besonders eklatant beispielsweise bei

Capocci und Caldarelli (2007, Fig. 3) oder

bei Cattuto (2006, Fig. 5)), so sind Fehl-

zuschreibungen nicht auszuschließen.

Bei der Beobachtung von Tags sollten

beide Verteilungen im Auge behalten

werden, da diese bei der Entwicklung

und Erstellung von Information Retrie-

val-Werkzeugen für getaggte Dokumente

wieder zur Sprache kommen müssen. Es

haben nämlich die Tags im langen Rüs-

sel bei der invers-logistischen sowie die

ersten n Tags beim Power Law eine Son-

derstellung, die wir sowohl für eine spe-

zifische Rechercheoption als auch für das

Relevance Ranking ausnutzen wollen.

Abbildung 8: Invers-logistische Verteilung.

Quelle: Stock (2006), S. 1127 (modifiziert).

Nicht unerwähnt bleiben sollen Dienste,

die informetrische Analysen von Tags

anb i eten . So zeigt

beispielsweise Tech-

norati Zeitreihen

von Blogbeiträgen in

Bezug auf Themen

(für ein Beispiel siehe

Stock & Weber, 2006),

während Cloudali-

cious Zeitreihen von

Tags zu bestimmten

URLs in Del.icio.us

generiert (Russell,

2006). Hiermit öffnet

sich ein Forschungs-

feld für die Analyse

von Regelmäßig-

keiten zeitlicher Tag-

verteilungen.

Schwänze“ bilden: rechts der bekannte

„Long Tail“ und links ein „Long Trunk“,

der „Lange Rüssel“ Die Tags grenzen

sich in ihren Häufigkeitsverteilungen

nicht stark genug voneinander ab; es

werden also viele Tags ähnlich häufig

genannt. Der lange Rüssel nimmt bei

www.asis.org die Tags associations,

library, information, ia, technology und

professional auf. Hiernach hat die Ver-

teilung einen Wendepunkt, an den sich

der lange Schwanz anschließt. Die Tags

im langen Rüssel beschreiben den Inhalt

der Webseite – anderes als im Fall der

ersten zwei, drei Tags bei einer Power

Law-Verteilung – nur wenig treffend. Die

Tags associations und technology sind

äußerst allgemein, und auch die restli-

chen Terme geben nur vage Hinweise

auf den Content. Hier hat die kollektive

Intelligenz offenbar Schwierigkeiten, ein

„wahres“ Bild des Dokuments zu zeich-

nen. Es scheint jedoch auch invers-logis-

tische Verteilungen zu geben, bei denen

die Tags links vom Wendepunkt eine

Webseite adäquat beschreiben. Margaret

Kipp (zitiert in Peters, 2008) kann sogar

demonstrieren, dass bei ihrem Beispiel

die Tags im langen Rüssel im Zeitverlauf

konstant bleiben. Für Kipp haben diese

Power Tags den Charakter von kontrol-

liertem Vokabular – lediglich durch die

Community der Prosumer „geprüft“.

Stock (2006) konnte in einer theore-

tischen Studie zeigen, dass es mindes-

tens zwei verschiedene Verteilungen von

Relevanz gibt: die bekannte Power Law-

Verteilung und die invers-logistische Ver-

teilung (siehe Abbildung 8). Die invers-lo-

gistische Verteilung hat viele mehr oder

minder relevante Tags im „Long Trunk“

und zusätzlich ebenfalls einen Long Tail.

Dabei folgt sie der Formel

f(x) = e - C'(x-1)b

bei der e die Euler’sche Zahl und x der

Rang des Tags ist. C’ (im Beispiel von

Abbildung 8 ist es 0,1) ist eine Konstante

und der Exponent b ist stets ungefähr 3.

In vielen Fällen ist der „Long Trunk“ kür-

zer als der „Long Tail“.

Abbildung 7: Tagverteilung zur Webseite www.asis.org.

Quelle: http://del.icio.us (Stand: November 2007;

Anzahl indexierender User: 293).

Folksonomies

Abbildung 9: Getaggtes Foto in Flickr. Quelle: Flickr.com.



Wir kommen zu einem nicht unerheb-

lichen Problem bestimmter Anwen-

dungen von Folksonomies, nämlich zur

kollaborativen Erschließung nicht-tex-

tueller Dokumente. Manche Web 2.0-

Dienste verzeichnen und sammeln Fotos

(z.B. Flickr) oder Videos (z.B. YouTube).

Nicht-textuelle Dokumente (und auch

einige fiktionale Texte) haben nicht nur

eine Ebene des jeweils Thematisierten,

im Gegensatz etwa zu wissenschaft-

lichen Zeitschriftenartikeln. Fachliche

textuelle Dokumente tragen auf einer

einzigen semantischen Ebene Content,

gewöhnlich mit „Aboutness“ beschrie-

ben (Stock & Stock, 2008, 31-36). Nach

Panofsky (2006) gibt es für Kunstwerke

drei verschiedene semantische Stufen

der Interpretationsmöglichkeiten (Smith,

2006). Wir wollen Panofskys Theorie an

einem Beispiel aus Flickr erklären (siehe

Abbildung 9). Das Foto zeigt eine Gruppe

von Skulpturen („Mönch – Arzt – Händ-

ler“), die von der deutschen Künstlerin

Katharina Fritsch erstellt wurden und im

Düsseldorfer Museum K21 ausgestellt

werden. Auch die zu dem Foto anno-

tierten Tags sind aufgeführt.

Panofskys grundlegendes semantisches

Level wird prä-ikonographisch genannt

und beschreibt die Welt der primären

bzw. natürlichen Objekte. Auf dem Foto

sind drei Figuren zu sehen: eine rote

Figur mit einem Pferdefuss, eine weiße

mit einem Totenkopf und eine schwarze

bekleidet mit einer Kutte. Für dieses

Level der Interpretation benötigt der

Interpret keine weiteren Kenntnisse als

die aus alltäglicher Erfahrung. In der In-

formationswissenschaft nennt man das

Ergebnis der prä-ikonographischen In-

terpretation die Ofness eines Dokuments

(Lancaster, 2003; Layne, 2002; Markey,

1986; Shatfort, 1986; Turner, 1995). Die

Ofness-Tags in diesem Beispiel sind (in-

teressanterweise nur in englischen Ter-

men ausgedrückt) black, white und red.

Das ikonographische Level umfasst die

sekundären Objekte; dies ist die Welt

 59(2008)2, 77-90

der Bilder, Anekdoten und Allegorien

(Panofsky, 1975, 50). Der Interpret muss

hier einiges an Erfahrung und Wissen im

soziokulturellen sowie thematischen Um-

feld des Kunstwerkes für die Interpreta-

tion mitbringen. Dieses Level bezeichnet

man als die Aboutness des Dokuments.

Aboutness-Tags sind monk, doctor und

dealer sowie die deutschen Überset-

zungen davon. (Nunmehr arbeitet unser

Tagger mit englischen und mit deutsch-

sprachigen Worten.)

Das dritte Level bezeichnet Panofsky

als ikonologisch; es besteht aus dem

„wahren“ Inhalt, aus der Welt der sym-

bolischen Werte (Panofsky, 1975, 50).

Umfassende Kenntnisse des thema-

tischen Gebiets sind hier für eine adä-

quate Interpretation notwendig. Infor-

mationswissenschaftler berücksichtigen

normalerweise dieses Level nicht in der

Inhaltserschließung; User der Web 2.0-

Dienste können aber den semantischen

Gehalt ihrer Tags selbst bestimmen. In

dem Beispiel ist nur ein, allerdings sehr

schwacher, ikonologischer Tag zu finden:

art (bzw. Kunst). Eine stärkere ikonolo-

gische Beschreibung könnte z.B. unhei-

lige Dreifaltigkeit sein.

Darüber hinaus werden auch nicht-in-

haltliche Informationen vom Nutzer

zum Dokument hinzugefügt, wie z.B.

der Name des Museums, K21, oder der

Name der Künstlerin, KatharinaFritsch.

Diese Arten von Tags beschreiben in der

Diktion von Peter Ingwersen (2002) die

Isness des Dokuments. Katharin Fritsch

ist (is) die Künstlerin des Objekts; K21

ist (is) das ausstellende Museum. Folk-

sonomies machen keinen Unterschied

zwischen den verschiedenen Beschrei-

bungs- und Interpretationsebenen; sie

fließen zu einem einzigen semantischen

Level zusammen.

Nach Ingwersen (2002) werden vier As-

pekte von Aboutness unterschieden: a)

die Autor-Aboutness beschreibt den Con-

tent, wie er ist, b) die Indexer-Aboutness

die zweckgebundene Interpretation des

Contents, c) die Anfrage-Aboutness den

Content als Ausdruck der Suchanfrage

und letztlich d) die User-Aboutness, die

Interpretation des Contents durch den

Nutzer. Das Taggen von Fotos, Videos

usw. ist als nutzerzentriert zu klassifi-

zieren, d.h. beim Level 1 handelt es sich

um die User-Ofness, Level 2 umfasst die

User-Aboutness und Level 3 die User-

Ikonologien; hinzu tritt als vierte Ebene

die Isness aus Nutzersicht. All diese ver-

schiedenen Stufen von Interpretationen

werden in einer Tag Cloud zusammen-

gefasst und nicht unterschieden. Trotz

dieser Problematik stellt Smith in Bezug

auf das Taggen von Museumsobjekten

durch die Nutzer fest: “Tagging has the

potential of increasing access to art-

work images and records dramatically

for searchers of all levels of expertise”

(Smith, 2006, 13). Studien über den Ein-

satz neuer nutzerzentrierter Dokumenta-

tionsmethoden in Museen zeigen, dass

die meisten der vom Nutzer kreierten

Schlagworte nicht in der bisher verwen-

deten Wissensordnung vorkommen,

sondern neu sind (Trant, 2006b, 21) und

dass der Einsatz von Folksonomies neue

Möglichkeiten schafft, ein Kunstwerk zu

finden (Trant, 2006a).

In zahlreichen informationswissenschaft-

lichen Veröffentlichungen wird das

Thema Inhaltserschließung von Fotos und

Bildern behandelt (z.B. Rasmussen, 1997),

allerdings nicht mit Bezug auf Folksono-

mies und Web-2.0-Dienste, sondern bei-

spielsweise auf Pressebilder.

Ornager (1995, 214) hat dazu

herausgefunden, dass sich

die Inhaltsanalyse von Fotos

und Bildern auf hauptsäch-

lich fünf Kategorien stützt:

„named person (who), back-

round information about the

photo (when, where), spe-

cific events (what), moods

and emotions (shown or

expressed), size of photo.“

Markkula und Sormunen

(2000, 270 f.) stellen fest,

dass “(t)he most often used

index terms referred to speci-

fics, i.e. to individual objects,

places, events and linear

time, and to the theme of the

photo”. Zur Inhaltserschlie-

ßung und zur Beschreibung

der abgebildeten Objekte

verwenden die Indexer häu-

fig Nomen, jedoch werden

Handlungen und Ereignisse

auch mit Verben beschrieben

(„Czechs celebrate the vic-

tory...“; Markkula & Sornumen, 2000, 271).

Eine wichtige Beobachtung ist: “(T)he

output of the indexing process seemed to

be quite inconsistent” (Markkula & Sor-

numen, 2000, 273). Diese Indexierungs-

inkonsistenz dürfte in der doch stark

subjektiven Färbung der Bildbetrachtung

und -auswertung begründet liegen (Neal,

2007).





Folksonomies sind eine neue Methode,

um den Inhalt von Dokumenten zu erfas-

sen. Die Prosumer – oder die „Akteure“

im Sinne der Analyse kognitiver Arbeit

(Fidel, 2006) – indexieren selbst das Do-

kument. Dabei spiegelt die Folksonomy

die Sprache und das Wissen der Pro-

sumer authentisch wider (Quintarelli,

2005). Diese Art der Inhalterschließung

führt zu einer Vielzahl an „multiple in-

terpretations“, unterschiedlichen (und

manchmal unvereinbaren) Meinungen

und „multicultural views“ von ein und

derselben Information (Peterson, 2006).

Diese “shared intersubjectivities” er-

möglichen es dem Nutzer “to benefit, not

just from their own discoveries, but from

those of others” (Campbell, 2006, 10).

Folksonomies komplettieren die Werk-

zeuge und Methoden der Wissensreprä-

sentation, wie dies in Abbildung 10 skiz-

ziert ist. Wir unterscheiden drei Gruppen

von Akteuren, die Dokumente indexie-

ren: Autoren, professionelle Indexer und

Nutzer (Kipp, 2006b). Hierbei werden

unterschiedliche Wege der Indexierung

beschritten, die wahrscheinlich auch un-

terschiedliche Merkmale der Dokumente

jeweils in den Vordergrund rücken. Text-

orientierte Methoden machen in einem

großen Maße Gebrauch von der Sprache

des Autors, z.B. bei der Textwortme-

thode oder bei der Zitationsindexierung.

Im Gegensatz zu diesen Methoden be-

rücksichtigen Folksonomies nicht nur die

Sprache des Autors, sondern auch die

Sprache der Nutzer. Wissensordnungen

wie Nomenklaturen, Thesauri oder Klas-

sifikationssysteme benötigen für ihren

Gebrauch Interpreten oder Übersetzer.

Zum einen sind dies die Experten, die

das Vokabular erstellen, und zum ande-

ren die, die das Vokabular zur Inhalts-

erschließung benutzen. Die Entwickler

von kontrollierten Vokabularien müssen

zunächst die „literature, needs, actors,

tasks, domains, activities, etc.“ (Mai,

2006, 17) analysieren, um daraus das

kontrollierte Vokabular zu erstellen. Dies

ist ohne Zweifel eine zeitaufwändige

und teure Prozedur. Dagegen sind Folk-

sonomies günstig im Unterhalt, denn die

Pflege und Indexierung geschieht durch

die freiwillige und kostenlose Zusam-

menarbeit vieler Nutzer. “Tagging has

dramatically lower costs because there is

Folksonomies

Abbildung 10: Methoden der Wissensrepräsentation und deren

Akteure. Quelle: Stock & Stock (2008, S. 41).

59(2008)2, 77-90 

no complicated, hierarchically organized

nomenclature to learn. User simply cre-

ate and apply tags on the fly” (Wu, Zu-

bair, & Maly, 2006, 111). Darüber hinaus

gibt es eine hohe Bereitschaft seitens

der User, selbst zu taggen und so den

Taggingprozess in der Community anzu-

regen und zu verstärken (Fichter, 2006).

Aus praktischen Gründen ist es wohl un-

möglich, alle URLs, Blogeinträge, Fotos

und Videos im World Wide Web intel-

lektuell mit kontrollierten Vokabularien

zu erschließen. Algorithmische Suchma-

schinen wie Google oder Yahoo! können

textuelle Dokumente automatisch inde-

xieren. Für Dokumente wie Fotos oder

Videos gestaltet sich eine rein automa-

tische, content-basierte Erschließung je-

doch schwierig, da sie keine Metadaten

enthalten.

Welchen Nutzen bewirken Folksono-

mies? Wir wollen an dieser Stelle einige

kurze Überlegungen anstellen.

1) Die Entwicklung und die Pflege von

bestehenden kontrollierten Vokabularien

kann von Folksonomies profitieren (Aurn-

hammer, Hanappe, & Steels, 2006; Chris-

tiaens, 2006; Gendarmi & Lanubile, 2006;

Macgregor & McCulloch, 2006; Mika, 2005;

Zhang, Wu, & Yu, 2006). Die Tags, ihre

Häufigkeit und ihre Verteilungen können

als Quelle für neue kontrollierte Terme,

für Term-Modifikationen und Term-Lö-

schungen dienen. Diese „bottom-up cate-

gorization“ (Vander Wal, 2004) garantiert

schnelle Reaktionszeiten bezüglich neuer

Themen und Innovationen in der Wis-

sensdomäne und ist damit ein wichtiges

Instrument sowohl zum Neuaufbau als

auch zur Pflege von Nomenklaturen, Klas-

sifikationssystemen und Thesauri. Doch

inwieweit können Folksonomies praktisch

zur Entwicklung von kontrollierten Vo-

kabularien, von Ontologien bis hin zum

Semantischen Web beitragen (Al-Khalifa,

2007; Specia & Motta, 2007)? Die bis jetzt

entwickelten Modelle arbeiten haupt-

sächlich mit Co-Occurences (Schmitz,

2006), einfachen Cluster-Algorithmen

(Grahl, Hotho, & Stumme, 2007) oder dem

Vektorraum-Modell (Dimensionen: Doku-

mente, Vektoren: Tags, Tagähnlichkeit:

Cosinus) (H ey ma nn &

Garcia-Molina, 2006).

Die entstandenen Ähn-

lichkeitswerte können

als Grundlage für einen

Ähnlichkeitsgraphen

dienen, bei dem die

Position des Tags Aus-

kunft über die hierar-

chische Lokalisierung in

einer „latent hierarchical

taxonomy“ (Heymann &

Garcia-Molina, 2006, 4)

geben kann.

2) Folksonomies ergän-

zen kontrollierte Voka-

bularien in der Recher-

chepraxis. Kann man bei

Folksonomies und Onto-

logien überhaupt von

Rivalen sprechen? Für

Tom Gruber (2006, 994)

ist dies “nonsense, and

it is time to embrace a

unified view”. Die Grundidee hierbei ist

es, Tags in ihrem semantischen Umfeld

darzustellen, aus dem der Nutzer zusätz-

liche Suchargumente gewinnen kann.

Da Folksonomies nie explizit paradig-

matische Umfeldterme nennen, müssen

diese aus anderen Wissensordnungen

gewonnen werden. Infrage kommen alle

fachlichen wie linguistischen Begriffsord-

nungen. WordNet (Miller, 1998) konnte

bereits erfolgreich bei Daten aus Del.icio.

us (Laniado, Eynard, & Colombetti, 2007)

sowie bei Flickr (Kolbitsch, 2007b) zum

Einsatz kommen. Abbildung 11 zeigt die

experimentelle Oberfläche von Word-

Flickr, einem Mash-up aus WordNet und

Flickr.

3) Journalisten oder Wissenschaftler müs-

sen an der Hürde der Gatekeeper und

ihrer Qualitätskontrolle vorbei, wollen

sie ihre Werke veröffentlichen. Es stellt

sich die Frage, ob es solche Gatekeeper

auch im Internet gibt. Clay Shirky (2005)

sagt dazu: “The Web has an editor, it’s

everybody”. Eine Qualitätskontrolle des

Contents findet statt – jedoch erst nach

seiner Veröffentlichung. Je mehr Nutzer

ein Dokument taggen, desto mehr Re-

levanz scheint dieses Dokument für sie

zu haben. Ist dies aber eine ernstzuneh-

mende Qualitätskontrolle? Wird etwas

zu „geprüfter“ Qualität, nur weil viele

Leute dies so sehen? (Wenn viele Stu-

denten bei einer Mathematikklausur die

gleiche – falsche – Lösung bringen, wird

diese nicht dadurch qualitativ wertvoll,

sondern bleibt falsch.1) Quantität bedeu-

tet nicht Qualität. Andererseits weist es

in eine bestimmte Richtung, wenn viele

Nutzer ein Stück Information mit stupid

und ein anderes mit cool taggen. Dieser

Content könnte für das Relevance Ran-

king verwertet werden.

4) Das Retrieval mit Folksonomies kann

auf zweifache Weise erfolgen: a) der

Nutzer gibt einfach mögliche Tags in

die Suche ein oder b) er nutzt die Tags,

um sich zum gewünschten Dokument

„durchzuhangeln“. Dieser letzte Punkt

ist für Adam Mathes (2004) die zentrale

Eigenschaft und Stärke von Recherchen

mit Folksonomies – Serendipity. “The

long tail paradigm is also about discovery

of information, not just about finding it”

(Quintarelli, 2005). Das Suchen mit Tags

ist für Laien viel einfacher und schneller

als die Recherche mit elaborierten Infor-

mation Retrieval-Werkzeugen, wie z.B.

der Internationalen Patentklassifikation

(IPC). Einige Nutzer verzichten sogar völ-

lig auf die Eingabe von Suchargumenten

und klicken sich durch die Tag Clouds

zur gewünschten Information durch

(Sinclair & Cardew-Hall, 2008).

5) Es gibt Tags, die in Folksonomies

zum ersten Mal auftauchen, sog. Neo-

logismen. In Mathes (2004) werden die

Beispiele sometaithurts (für „so meta

it hurts“) und flicktion diskutiert. „Alt-

hough small, there is a quick formation

of new terms to describe what is going

on, and others adopting that term and

the activity it describes“ (Mathes, 2004).

Dieser unerwartete und unvorherseh-

bare Gebrauch von Sprache und Tags

reflektiert deutlich die „communication

and ad-hoc group formation facilitated

through metadata“ (Mathes, 2004).

6) Betrachtet man alle Dokumente, Tags

und Nutzer als Knoten in einem Netz-

werk, so kann man leicht die Communi-

ties identifizieren, die ein Thema oder ein

Interessensgebiet teilen: „Collaborative

tagging systems have the potential of

becoming a technological infrastructure

for harvesting social knowledge“ (Wu,

Zubair, & Maly, 2006, 114).

7) Auf der Basis gemeinsam verwende-

ter Tags oder gemeinsam indexierter Do-

kumente wird es möglich, Folksonomies

für Zwecke von impliziten kollaborativen

Recommendersystemen zu nutzen (Die-

derich & Iofciu, 2006; Niwa, Doi, & Honi-

den, 2006).

8) Ein weiterer Vorteil von Folksonomies

ist (auch wenn es dafür noch keine wis-

senschaftliche Evidenz gibt), dass sie

dem Nutzer die Schwierigkeiten, aber

1 Dieses illustrative Beispiel verdanken wir un-

serem Studenten Peter Bücker.

Folksonomies

Abbildung 11: WordFlickr: Synthese aus Web-2.0-Dienst und Thesau-

rus. Quelle: Kolbitsch (2007a, S. 85).

 59(2008)2, 77-90

auch Nützlichkeit von Inhaltserschlie-

ßung und Indexierungsmethoden näher

bringen und ihn dafür sensibilisieren.

Wir wollen die Vorteile der Folksonomies

noch mal zusammenfassen. Folksono-

mies:

n spiegeln die Sprache der Nutzer au-

thentisch wider,

n erlauben verschiedene Interpretati-

onen,

n sind eine günstige Form der Inhaltser-

schließung,

n sind die einzige Möglichkeit, Massen-

Information im Web zu erschließen,

n sind Termquellen für die Entwicklung

und Pflege von Ontologien und kon-

trollierten Vokabularien,

n geben die Qualitätskontrolle an die

Nutzer weiter,

n erlauben konkretes Suchen und Brow-

sing,

n berücksichtigen Neologismen,

n tragen dazu bei, Communities zu iden-

tifizieren,

n geben eine Basis für Recommender-

systeme,

n sensibilisieren Nutzer für die Inhalts-

erschließung.



Es resultieren zahlreiche Probleme aus

dem Fehlen eines kontrollierten Voka-

bulars. „Lack of precision is a function

of user behaviour, not the tags them-

selves“, wiegelt Shirky (2004) ab. Nichts-

destotrotz findet man in Folksonomies

oftmals Uneindeutigkeiten, wie ver-

schiedene Wortformen, Nomen in Plural,

Nomen in Singular oder Abkürzungen,

die das Suchen und Finden von Doku-

menten erschweren. Weitere Beispiele

präsentiert der Web 2.0-Dienst Del.icio.

us (siehe oben Abbildung 7). Da hier je-

weils nur ein Wort als Tag eingegeben

werden kann, werden Phrasen (infor-

mationarchitecture) aus zwei oder mehr

Wörtern kreiert oder einzelne Wörter mit

einen Unterstrich (information_architec-

ture) verbunden. Abkürzungen (ia) fin-

den Verwendung; Singular- (library) wie

Pluralformen (libraries) kommen neben-

einander vor. Es fehlt die Zusammenfas-

sung von Synonymen, auch über Sprach-

grenzen hinweg, und die Trennung von

Homonymen. Daneben finden sich viele

Rechtschreib- oder Tippfehler und unter-

schiedliche Schreibweisen. Daher lassen

sich Folksonomies auch als unstruktu-

rierte Liste von Schlagwörtern bezeich-

nen (Reamy, 2006). „Currently most users

don’t give much thought to the way they

tag resources, and bad or ‚sloppy’ tags

are ten-a-penny in Folksonomies” (Guy

& Tonkin, 2006). Das Tagging-Verhal-

ten der User ist also unberechenbar und

nicht vorhersehbar, was das Information

Retrieval drastisch erschwert. Ein paar

Zahlen sollen dies verdeutlichen: Nach

Guy und Tonkin (2006) sind fast 40 Pro-

zent der Flickr-Tags und 28 Prozent der

Del.icio.us-Tags „either misspelt, from a

language not available via the software

used, encoded in a manner that was not

understood by the dictionary software, or

compound words consisting of more than

two words or a mixture of languages“.

Die Prosumer, die ein Dokument er-

schließen, handeln in unterschiedlichen

Kontexten und aus verschiedenen Moti-

vationen: Ein Nutzer annotiert Tags zu

einem Dokument aus beruflichen Hinter-

gründen, ein anderer hat sein Freizeit-

vergnügen im Hinterkopf. Es fehlt daher

ein einheitliches, grundlegendes Level

der Inhaltserschließung. “There is [...]

systematic variation across individuals in

what constitutes a basic level” (Golder

& Huberman, 2006, 200). Erfahrungen,

sprachliche Ausdrucksstärke, kognitive

Fähigkeiten und Motivationen sind alles

Faktoren, die den Grad der Inhaltser-

schließung bestimmen und beeinflus-

sen. Darüber hinaus muss berücksichtigt

werden, dass “a significant amount of

tagging, if not all, is done for personal

use rather than public benefit” (Golder &

Huberman, 2006, 207).

Web 2.0-Services finden weite Verbrei-

tung und erfreuen sich wachsender Po-

pularität – und das auf der ganzen Welt.

Die Problematik, die hier auftaucht,

betrifft die Vielsprachigkeit unter den

Usern. Das „merging of languages“ (Gor-

don-Murnane, 2006) führt zu Problemen

in der intersprachlichen Synonymie oder

Homonymie (z.B. deutsch: Gift und eng-

lisch: gift) und schwächt die Präzision

der Suchresultate bzw. zeigt u. U. falsche

Ergebnisse. Darüber hinaus gibt jeder

Nutzer seine Tags vornehmlich (auch)

in seiner Muttersprache ein und kann

wahrscheinlich nur einen begrenzten Teil

anderssprachiger Tags verstehen – und

somit auch nur nach einem begrenzten

Teil in der gesamten Datenbank suchen

und darauf zugreifen.

Folksonomies machen im Gegensatz zu

Thesauri und Klassifikationssystemen

keinen Gebrauch von Relationen zwi-

schen den Begriffen, sog. para-

digmatischen Relationen, wie

z.B. Äquivalenzrelation, Hier-

archierelation oder Assoziati-

onsrelation. Jedoch bestehen

in der aktuellen Co-Occurrence

von mehreren Tags zu einem

Dokument zwischen diesen

syntagmatische Relationen

(Stock, 2007a, 451). Wir wollen

dies an einem Beispiel verdeut-

lichen (Abbildung 12).

Die Tags UK und england sind

durch eine geographische Me-

ronymie verbunden, während

die Tags seat und stadium

durch eine Komplex-Kompo-

nenten-Relation gekennzeich-

net sind. Diese syntagmatischen Relati-

onen sind eigentlich paradigmatisch und

könnten zur Suchfrageerweiterung oder

-einschränkung genutzt werden (Weller

& Peters, 2007; Peters & Weller, 2008).

Jedoch sind diese nützlichen Relationen

in der Tagliste verborgen und werden

nicht von Folksonomies eingesetzt.

Professionell erstellte Metadaten wer-

den in verschiedene Felder segmentiert,

z.B. in Dokumenttyp, in Autor oder in die

Notationen eines Klassifikationssystems.

Die Inhaltserschließung berücksichtigt

hier die formalen Aspekte eines Doku-

ments und die Aspekte der Aboutness

und unterscheidet sie voneinander. Folk-

sonomies vernachlässigen diese strikte

Trennung von unterschiedlichen Meta-

daten, machen aber sehr wohl Gebrauch

von Tags, die nicht nur den Inhalt des

Dokuments beschreiben, wie z.B. einen

Namen für den Besitzer des Dokuments

oder den Hinweis, dass es sich um ein

Buch handelt. Daneben werden auch

Wertungen vorgenommen (stupid). Diese

user-spezifischen Tags beschreiben oder

evaluieren ein Dokument nur aus der

Sicht des einen Users, sodass diese Tags

„are virtually meaningless to anybody

except their creators“ (Pluzhenskaia,

2006, 23). Zahlreiche andere Tags können

performativ genannt werden, d.h. dass

sie als Ausdruck einer geplanten oder

erledigten Aktivität annotiert werden,

z.B. toread oder todo (Kipp, 2006). Auch

synkategorematische Tags kommen vor,

d.h. sie können nur im Kontext verstan-

den werden. Ein typisches Beispiel für

einen synkategorematischen Tag ist me

bzw. ich, wenn er zur Beschreibung der

Eigenaufnahme des Fotografen anno-

tiert wird. Es ist auch nicht auszuschlie-

ßen, dass einige der Tags absichtlich als

Spam-Tags von Nutzern verwendet wer-

den. “(I)t involves an unethical user who

propagates [...] tags in order to corrupt

a system” (Kroski, 2005). Beim Tagging

von Fotos und Videos kommt die Schwie-

rigkeit hinzu, dass sich unterschiedliche

Levels der Indexierung bezüglich Ofness,

Aboutness, Ikonologie und Isness mitein-

ander vermischen, sich nicht unterschei-

Folksonomies

Abbildung 12: Syntagmatische und paradigmatische

Relationen zwischen Tags. Quelle: Flickr.com.

59(2008)2, 77-90 

den lassen und in ihrer Inter- und Intra-

indexerkonsistenz erheblich schwanken.

Wir wollen die Nachteile der Folksono-

mies noch einmal kurz festhalten:

n fehlendes kontrolliertes Vokabular,

n verschiedene Levels der Indexierung,

n Vermischung von Sprachen,

n versteckte paradigmatische Relationen

bleiben ungenutzt,

n fehlende Trennung von formalen bzw.

bibliographischen Tags und About-

ness-Tags,

n Spam-Tags, nutzer-spezifische Tags

und andere uneindeutige Schlag-

worte,

n Verschmelzung von Ofness, About-

ness, Ikonologie und Isness.





Um die oben genannten Probleme zu

lösen, könnten sich zwei Vorgehens-

weisen etablieren, die sich gegenseitig

ergänzen. Zum einen kann man sich auf

die Indexer bzw. Prosumer konzentrieren

und versuchen, diese zu einer besseren

„tag literacy“ (Guy & Tonkin, 2006) zu

erziehen. Dazu muss man zunächst das

Nutzerverhalten bezüglich Tagging be-

obachten (siehe z.B. Bar Ilan et al.; 2006;

Lin et al., 2006; Morrison, 2007; Veres ,

2006a oder Winget, 2006). Die Nutzer-

forschung steht hinsichtlich der Folkso-

nomies allerdings erst am Anfang ihrer

Bemühungen.

Um die Nutzer bei der Auswahl „rich-

tiger“ Tags zu unterstützen und sie in

der Tagvergabe zu trainieren, bietet es

sich an, Tags durch das System vorzu-

schlagen (MacLauri, 2005; Xu, Fu, Mao,

& Su, 2006). Dieses Vorschlagssystem

kann auf zwei Ebenen arbeiten. Wir un-

terscheiden zwischen syntaktischen Vor-

schlägen (z.B. den Tag Bild durch den

Tag Bilder ergänzen) und relationalen

Hinweisen (z.B. der Nutzer annotiert den

Tag Bild, und das System schlägt Grafik

vor, weil unser Nutzer bereits den Tag

Grafik verwendet hat). Der Einsatz von

weitergehender Tag-Recommendation

bei der Indexierung ist nicht frei von

Problemen – im Gegensatz zu Vorschlä-

gen von Such-Tags im Retrieval (s. u.!).

Schlägt ein System nämlich dem Indexer

die jeweils bereits am häufigsten verge-

benen Tags eines Dokuments vor und

orientieren sich die indexierenden Nutzer

tatsächlich daran, so entsteht – in einer

Art self-fulfilling prophecy – stets eine

Tag-Verteilung nach dem Power Law.

Zum anderen kann man die Tags als Ele-

mente der natürlichen Sprache ansehen

und sie mit den etablierten Methoden

des Natural Language Processing (NLP)

bearbeiten (Stock, 2007a, Kap. 14 bis 18).

Studien zeigen, dass circa 90 Prozent der

Tags Nomen sind (Guy & Tonkin, 2006).

Ob auch andere Wortarten, vor allem

Verben, einmal häufig genutzt werden,

bleibt abzuwarten. Da Adjektive an

Nomen gebunden sind, müssen wir diese

stets mitbeachten. Aus Gründen der Ein-

fachheit nehmen wir an, dass der größte

Teil der Tags Nomen (einschließlich Ad-

jektiven) sind. Deswegen können wir

während der Tag-Bearbeitung mittels

NLP-Verfahren alle anderen Wortformen

vernachlässigen.

Für die NLP-Verarbeitung der Tags bevor-

zugen wir einen wort-basierten Ansatz,

da dieser bessere Möglichkeiten zur Be-

arbeitung bietet (siehe Abbildung 13 die

drei untersten Ebenen). Eine (hier nicht

weiter verfolgte) alternative Möglichkeit

bietet die Implementierung von n-Gramm-

Verfahren (Stock, 2007a, Kap. 13).

Problematisch ist, dass wir nicht davon

ausgehen können, dass alle Dokumente

getaggt sind. Für textuelle Dokumente

können wir jedoch einen Ersatz generie-

ren: Bei Blogs haben wir den gesamten

Text als Basis, bei Fotos und Videos zu-

mindest die Titel, Beschreibungen und

Kommentare. Die wichtigsten Terme be-

stimmen wir automatisch (Brooks & Mon-

tanez, 2006a; 2006b). Mit dem Ergebnis

aus WDF*IDF lässt sich ein Ranking er-

stellen; die ersten n (etwa n = 3) Terme

werden als Tags bestimmt. Dieses Ver-

fahren darf nicht zu häufig Anwendung

finden, da die automatische Indexierung

dem Grundgedanken des intellektuellen

Taggings zuwiderläuft. Eine Studie von

Al-Khalifa und Davis (2007) zeigt im

Trend, dass die von den Prosumern inde-

xierten Tags nur wenig mit Termen kor-

relieren, die auf der Basis automatischer

Verfahren gewonnen werden.

Nach der Spracherkennung und dem Par-

sing müssen wir die kontextspezifischen

synkategorematischen Tags, wie me und

ich, bearbeiten. Für diese Problemfälle

schlagen wir vor, sie automatisch durch

den Nutzernamen des angemeldeten

Users zu ersetzen. Sucht dieser spezielle

Nutzer nach sich selbst, indem er den

Tag me nutzt, erhält er die passenden

Resultate. Alle nicht angemeldeten User

erhalten für eine Suchanfrage mit me

keine Ergebnisse. Nur die Suche nach

dem Benutzernamen zeigt ein Resultat.

Der Bearbeitungsalgorithmus folgt den

typischen NLP-Aufgaben (Fehlererken-

nung, Wortformzusammenfassung, Iden-

tifikation von Eigennamen, Phrasener-

kennung und Dekomposition), wie in

Abbildung 13 dargestellt. „Höhere“ Be-

arbeitungsschritte verlangen nach einem

Mash-up aus Folksonomy und kontrollier-

tem Vokabular. Während der Erkennung

von Homonymen und Synonymen muss

man Wissensordnungen wie beispiels-

weise WordNet (Miller, 1998) zur Hilfe

nehmen. Außerdem könnte es hilfreich

sein, bei der Homonymunterscheidung

auch Co-Occurrence-Statistiken der Tags

einzubeziehen (Butterfield et al., 2006).

Man stelle sich ein Tag Cluster vor, dass

die Tags Java, Perl und Programmie-

rung enthält, und ein weiteres Cluster,

welches Java, Sumatra und Indonesien

als Tags aufweist. Das System könnte

beide Tag-Cluster anzeigen und den

User, der nach Java gesucht hat, selbst

auswählen und entscheiden lassen, wel-

che Bedeutung des Tags er tatsächlich

gesucht hat. Ein Merging von Thesauri,

Klassifikationssystemen oder Ontologien

mit Folksonomies kann die Nutzung von

Relationen (wie Hierarchie oder Asso-

ziationsrelation) ermöglichen (Gruber,

2007) und so die Suchanfrage erweitern

bzw. eingrenzen. Im Sinne des multilin-

gualen Retrievals erleichtert der Einsatz

von mehrsprachigen maschinenlesbaren

Wörterbüchern den Zugriff auf fremd-

sprachige Dokumente.

Abbildung 13: Der Aufgaben-Algorithmus der

Tag-NLP.



Wir wollen kurz einen Blick zurück auf

die Abbildungen 5 und 8 werfen. Hier

gibt es zwei Möglichkeiten, den Einfluss

der Power Tags im Retrieval zu verstär-

ken: a) Im Fall einer Power Law-Vertei-

lung werden die ersten n Tags genutzt.

n wird hier – in Abhängigkeit von dem

Exponenten a – eher klein gehalten; bei

a = 1 bietet sich beispielsweise n = 4,

bei a = 2 etwa n = 2 an. b) Im Fall der

invers-logistischen Verteilung wählen

wir alle Tags des linken „Long Trunk“

bis zum Wendepunkt der Kurve aus.

Es wäre wünschenswert, eine zusätz-

liche, optionale Retrievalfunktionalität

zu installieren, die nur Ergebnisse aus

Übereinstimmungen von Suchargument

Folksonomies

 59(2008)2, 77-90

und Power Tag erzielt („Power Tags

only“). Demnach würde das Beispiel in

Abbildung 4 nur mit den Tags politik

und bundestag gefunden werden. Alle

anderen Terme und Tags blieben un-

berücksichtigt. Wir erhoffen uns durch

das Angebot von Power Tags als Such-

option eine Verbesserung der Präzision

der Suchergebnisse. Begründen können

wir diese Vermutung durch das gegen-

läufige Verhältnis von Recall und Preci-

sion. Steigt das eine, fällt das andere. Im

Falle der Recherche ausschließlich nach

Power T ag s wird der R ecall – da d er

gesamte dokumentspezifische „Lange

Schwanz“ abgeschnitten wird – dras-

tisch verkleinert.





Ein bislang noch weitgehend ungelöstes

Problem ist das Ranking von getaggten

Dokumenten, die man als Antwort auf

seine Suchanfrage erhält. Die Menge der

Dokumente, die man nach der NLP-Bear-

beitung bekommt, ist nämlich noch un-

sortiert.

Es gibt eine Patentanmeldung von

Yahoo! für Flickr, die sich mit diesem

Problem auseinandersetzt (Butterfield

et al., 2006). Für ein Ranking nach „In-

terestingness“ in Narrow Folksonomies

wurden fünf generelle Kriterien definiert:

1) die Zahl der Tags zu einem Dokument,

2) die Zahl der Nutzer, die ein Dokument

taggen, 3) die Zahl der Nutzer, die das

Dokument nach einer Suche erhalten, 4)

die Zeit (je älter desto weniger relevant)

und 5) die Relevanz der Tags. Zusätzlich

gibt es zwei weitere Rankingkriterien

f,,ür den „personalized interestingness

rank“, 6) Nutzerpräferenzen (z.B. Favo-

ritenlisten) und 7) der Wohnort des Nut-

zers. Beim Faktor der Zeit melden wir Be-

denken an. Es ist nicht notwendig, dass

ein Dokument im Laufe der Zeit stets

an Relevanz verliert. Dann wäre die Re-

levanz von, sagen wir, der „Mona Lisa“

heutzutage nahe Null, was Kunsthistori-

ker sehr wahrscheinlich bestreiten wür-

den. Butterfield et al. berücksichtigen u.

E. zu Recht die kollaborativen Aspekte,

die wir bei Web 2.0-Diensten vorfinden;

sie vernachlässigen jedoch insbesondere

altbekannte Retrievalmodelle wie bei-

spielsweise das Vektorraummodell oder

die Linktopologie. Auch sollte man kon-

krete Aktionen der Prosumer nicht außer

Acht lassen.

Für das Relevance Ranking der ge-

taggten Dokumente gibt es nämlich drei

Mengen von Faktoren:

n die (informationslinguistisch „gereinig-

ten“) Tags selbst,

n die Kollaboration in Web 2.0-Diensten,

n nutzer-spezifische Rankingkriterien

(siehe Abbildung 14).

Jede Faktorenmenge und auch jeder ein-

zelne Faktor kann zudem gewichtet wer-

den. Jeder einzelne der Faktoren führt

entweder zu einem Ansteigen (bei posi-

tiven Faktoren) oder zu einem Abfallen

(bei negativen Faktoren) des Retrieval-

statuswertes der Dokumente.

Set eins berücksichtigt die konkreten

Tags und bearbeitet sie für das Rele-

vance Ranking. Das Vektorraummodel

kann genutzt werden, um die Ähnlich-

keit zwischen Dokumenten zu bestim-

men (Stock, 2007a, Kap. 20). Die Dimensi-

onen sind dabei die verschiedenen Tags

in der Datenbank, der Wert der Dimen-

sion wird durch WDF*IDF bestimmt (1a).

Der WDF-Wert errechnet sich aus der

dokumentspezifischen Häufigkeit (freq)

eines bestimmten Tags t in Relation zur

Gesamthäufigkeit L aller Tags, die dem

jeweiligen Dokument d (auch u. U. mehr-

fach) zugeordnet worden sind:

WDF(t,d) = [ld (freq(d,t) + 1] / ld L.

Der IDF-Wert bezieht die Gewichtung

eines Tags t auf sein Vorkommen in der

gesamten Datenbank. Sei N die Mächtig-

keit der Menge aller Datensätze in der

Datenbank und n die Anzahl derjenigen

Dokumente, die mittels t indexiert wor-

den sind, so gilt:

IDF(t) = ld (N/n).

Die Dokumente werden durch Vektoren

abgebildet, und die Ähnlichkeit zwischen

Dokument und Suchfrage wird letztlich

durch den Cosinus (1b) bestimmt. Der

Wert des WDF hängt in Broad Folksono-

mies von der Anzahl der Index-Tags ab;

bei Narrow Folksonomies wird der WDF-

Wert dagegen durch die Zahl der Such-

Tags determiniert.

Es gibt Ansätze, die für

das Ranking einen modifi-

zierten PageRank einset-

zen. Das Motto heißt hier:

“The basic notion is that a

resource which is tagged

with important tags by im-

portant users becomes im-

portant itself” (Hotho, A.,

Jäschke, R., Schmitz, C., &

Stumme, G., 2006a, 417).

Jedoch ist diese Schlussfol-

gerung problematisch und

kann zu unbefriedigenden

Ergebnissen führen. Die

gleiche Studie stellt den

(bei BibSonomy eingesetz-

ten) FolkRank-Algorith-

mus vor, mit dem Ziel „to

focus the ranking around

the topics defined in the

preference vector“ (419).

Der FolkRank verfolgt die

Idee eines „Super-Posters“

oder „Super-Autors“, der

eine große Menge an Con-

tent veröffentlicht und damit ein Experte

(in einem bestimmten Bereich) zu sein

scheint (1c). Daher sollten Inhalte dieser

User beim Ranking von Suchergebnis-

sen höher gewertet werden (Hotho, A.,

Jäschke, R., Schmitz, C., & Stumme, G.,

2006a, 2006b). Abhängig von ihrer Häu-

figkeitsverteilung werden manche Tags

als Power Tags markiert (1d). Der WDF-

IDF-Gewichtungswert von Power Tags

kann mittels eines festzulegenden Fak-

tors f (f > 1) justiert werden.

Set zwei bezieht die aktive Zusammen-

arbeit der User als positive Faktoren

mit in das Ranking ein. So können die

Klick-Raten (2a) bezogen auf einzelne

Dokumente zum Ranking herangezogen

werden (Culliss, 1997). Für Jung, Herlo-

cker und Webster (2007) sind die Klick-

Raten ein implizites Relevance Feedback

in der Internetsuche; sie sind im hohen

Maße ein kollaborationsorientiertes Ran-

king-Kriterium im Sinne des Web 2.0.

Möglicherweise ist auch die Anzahl der

unterschiedlichen Nutzer, die ein Doku-

ment indexieren, ein sinnvoller Ranking-

Faktor (2b). Hoch frequentierte Diskussi-

onen auf der Basis gewisser Dokumente

verweisen auf Dokumente von hoher Be-

deutung für die Community. Die Zahl der

Kommentare zu einem Dokument (2c)

kann die Stellung im Ranking bestim-

men. Insbesondere Blogpostings, aber

auch andere Dokumente wie Bilder und

Videos, insofern auf diese Links verwei-

sen, bieten Potentiale für einen quanti-

tativen Ausdruck ihrer linktopologischen

Stellung entweder mittels des Kleinberg-

Algorithmus‘ (Kleinberg, 1999) oder des

PageRank (Brin & Page, 1998). Authori-

ties (Dokumente mit vielen In-Links) be-

finden sich im Zentrum des Interesses

von bestimmten Themen und sollten

daher höher gerankt werden.

Folksonomies

Abbildung 14: Kriterien für das Relevance Ranking von

getaggten Dokumenten.

59(2008)2, 77-90 

Das dritte Set der Rankingkriterien be-

zieht sich auf den Nutzer selbst. Doku-

mente, die mit todo oder toread getaggt

sind, scheinen sehr wichtig für den Nut-

zer zu sein und sollten daher ihre Stel-

lung im Ranking erhöhen (3a). Negative

Werturteile (wie z.B. stupid) führen – ab-

hängig von der Häufigkeit ihres doku-

mentspezifischen Vorkommens – zu einer

Senkung des Retrievalstatuswertes. Man

kann auch den Nutzer aktiv am Ranking

beteiligen und ihm die Gelegenheit zum

Feedback geben. Das kann auf zweifache

Weise geschehen: (3b) das Relevance

Feedback geschieht nach der Anzeige

und Bewertung der Suchergebnisse (z.B.

Rocchio, 1971) oder (3c) mittels eines for-

malen Recommendersystems, wie es z.B.

in einer Sternchen-Bewertung oder mit-

tels eines Frage-Dialogs nach dem Stil

„Hat Ihnen dieses Dokument geholfen?“

gegeben ist. Der User bekommt die Gele-

genheit, das Dokument zu bewerten und

so aktiv an der Bestimmung des jewei-

ligen Retrievalstatuswertes mitzuwirken

– ein demokratischer Weg des Relevance

Ranking. Beide Faktoren (3b und 3c) kön-

nen in das Ranking einfließen; einmal

implizit als Gewichtungsfaktor für den

Retrievalstatuswert und einmal explizit

(„Andere Nutzer fanden dieses Doku-

ment sehr hilfreich“ oder „Das Dokument

erhält 5 von 6 Relevanzpunkten“). Beide

Möglichkeiten haben u. W. bis jetzt noch

keinen Eingang in die Web 2.0-Dienste

gefunden.

Aus Nutzersicht wichtig ist bei solch aus-

gefeilten Rankingalgorithmen, dass er

sie ganz oder teilweise abschalten kann.

Ein Drop-Down-Menü scheint eine opti-

male Vorgehensweise, um die Nutzer in

die Einstellung der Rankingfaktoren der

Suchresultate einzubeziehen. Er selbst

kann entscheiden, nach welchen Krite-

rien er die Ergebnisse sortieren möchte.

Vielleicht möchte ein User lieber nach

formalen Kriterien (Veröffentlichungs-

zeitpunkt, Autor usw.) sortieren oder er

bevorzugt aus unserem Werkzeugkas-

ten für Relevance Ranking nur ganz be-

stimmte Kriterien.







Innerhalb einer Folksonomy sind wir mit

drei unterschiedlichen Aspekten konfron-

tiert (Marlow, Naaman, Boyd, & Davis,

2006; Yeung, Gibbins, & Shadbolt, 2008):

n die zu beschreibenden Dokumente,

n die Tags (Worte), die zur Beschreibung

gewählt werden,

n die Nutzer (Prosumer), die die Indexie-

rung ausführen.

Nutzer untereinander sowie Dokumente

untereinander sind in einem sozialen

Netzwerk miteinander verknüpft, wobei

als Pfade jeweils die Tags fungieren.

Dokumente sind erstens thematisch mit-

einander verbunden, wenn sie durch die-

selben Tags indexiert worden sind. Die

Dokumente 1 und 2 sowie 3 und 4 aus

Abbildung 15 sind jeweils thematisch

verknüpft (Dokumente 1 und 2 über Tag

2; Dokumente 3

und 4 über Tag

4). Zusätzlich

sind Dokumente

zweitens über

gemeinsame Nut-

zer verknüpft. So

sind die Doku-

mente 1 und 2, 3

und 4, aber auch

2 und 4 über

ihre Nutzer ver-

knüpft.

Nutzer sind mit-

einander ver-

knüpft, wenn

sie entweder

dieselben Tags

verwenden oder

dieselben Dokumente indexieren. Nut-

zer sind thematisch verbunden, wenn sie

dieselben Tags verwenden (im Beispiel

die Nutzer 1 und 2 über Tags 1 und 2);

sie sind über gemeinsame Dokumente ge-

koppelt, wenn sie diese jeweils inhaltlich

beschreiben (Nutzer 1, 2 und 3 über Do-

kument 2).

Wir wollen diese Zusammenhänge aus-

nutzen, um auf der Basis der Stellung

eines Tags, eines Nutzers und eines Do-

kuments im Netzwerk automatisch Vor-

schläge zu generieren (Diederich & Iof-

ciu, 2006; Höhfeld & Kwiatkowski, 2007,

272 f.). Unsere Ausführungen konzen-

trieren sich auf Empfehlungen ähnlicher

Dokumente (ausgehend von einem Mus-

terdokument: „More like this!“) sowie

von ähnlichen Nutzern (ausgehend von

einem bestimmten Nutzer, beispielweise

sich selbst: „More like me!“), da beide

Vorschläge über recht einfache Algorith-

men auf der Basis von Co-Occurences ar-

beiten.

Möchte man durch die Empfehlungen

weiterer Tags dem Nutzer Synonyme und

Quasi-Synonyme an die Hand geben, so

eignen sich Co-Occurences nicht, denn

Synonyme kommen selten gemeinsam

syntagmatisch verbunden als Tags vor

(ein User, der sein Bild mit Hochzeit in-

dexiert hat, wird dieses kaum zusätzlich

mit Eheschließung und Heirat beschrei-

ben). Hier sind andere Algorithmen ge-

fordert. Der Fall wird genau dann leicht,

wenn wir auf eine Begriffsordnung (wie

beispielsweise WordNet) zurückgreifen

können, da dann die Empfehlungen aus

den dort eingetragenen Synonymen ge-

bildet werden.

Der erste Schritt bei Empfehlungen

von Dokumenten und Nutzern besteht

darin, Ähnlichkeiten zwischen dem Aus-

gangsdokument bzw. -nutzer und allen

anderen Dokumenten (Nutzern) der Da-

tenbank zu berechnen. Dazu kommen

einschlägige Algorithmen wie Jaccard-

Sneath, Dice oder Cosinus infrage (Stock

& Stock, 2008, Kap. 20). Möchte man eine

Community (also ähnliche Nutzer), aus-

gehend von Nutzer 1, identifizieren, so

errechnet man nach Jaccard-Sneath

Ähnlichkeit (Nutzer 1, Nutzer i) =

g / (a + b – g).

Die Formel findet zweifach Anwendung:

1) a ist die Anzahl der Tags, die Nutzer 1

vergeben hat, b die Anzahl der Tags, die

Nutzer i zum Indexieren heranzog und g

ist die Anzahl derjenigen Tags, die die

beiden Nutzer gemeinsam verwenden;

2) a ist nunmehr die Anzahl der Doku-

mente, die Nutzer 1 ausgewertet hat, b

die Anzahl der von Nutzer i indexierten

Dokumente und g die Zahl der von bei-

den beschriebenen Dokumente.

Der zweite Schritt besteht entweder

in einer einfachen oder in einer elabo-

rierteren Vorgehensweise. Der einfache

Weg fasst – in der Reihenfolge der bei-

den errechneten Ähnlichkeiten – die je-

weils ersten k Dokumente bzw. Nutzer

(k kann auf etwa 20 eingestellt werden)

zu einer Quasiklasse zusammen (Me-

thode der k-nearest neighbors). Ein auf-

wändigerer zweiter Weg arbeitet mit der

Clusteranalyse (z.B. Single Linkage oder

Complete Linkage) oder vergleichbaren

Verfahren. Auch hier erhalten wir Qua-

siklassen – nun jedoch möglicherweise

mehrere und diese ggf. in einer hierar-

chischen Ordnung. Dem Nutzer werden

die Quasiklassen als ähnliche Doku-

mente bzw. als ähnliche Nutzer (oder als

„seine“ Community) vorgeschlagen.

Es gibt bisher nur sehr wenige empirische

Studien zum Einsatz von Recommenta-

tion bei Folksonomies. Erwähnenswert ist

die Untersuchung von Jäschke, Marinho,

Hotho, Schmidt-Thieme und Stumme

(2007), die die Wirkung von vorgeschla-

genen Suchtags auf die Retrievalleistung

(anhand von BibSonomy und dem Mu-

Abbildung 15: Dokumente, Tags und Nutzer in einer Folksonomy.

Folksonomies

 59(2008)2, 77-90

sikdienst Last.fm) untersuchten. Der Re-

call-Precision-Graph zeigt durchgehend

Steigerungen der Retrievalqualität beim

Einsatz von Recommendation-Methoden.



Folksonomies haben in informationswis-

senschaftlicher Sicht sowohl Vorteile

(authentische Sprache der Nutzer, Ver-

einigung unterschiedlicher Sichtweisen

auf ein Dokument, Quelle für die Ent-

wicklung kontrollierter Vokabularien,

Ermöglichung von Suchen und Browsen,

Identifikation von Communities usw.)

als auch Nachteile (Mangel an Präzision,

unterschiedliche Indexierungsebenen,

Vermischung von Sprachen, versteckte

paradigmatische Relationen, Spam-Tags,

nutzerspezifische Tags und andere un-

brauchbare Terme, Verschmelzung der

semantischen Ebenen bei Bildern und

Videos). Da die Vorteile überwiegen,

müssen wir dafür Sorge tragen, dass die

Nachteile möglichst minimiert werden.

Ein erster Schritt der Problemlösung ist

die Behandlung der Tags als natürlich-

sprachige Eingaben, auf die (bekannte

wie neue) Methoden der Informations-

linguistik (Natural Language Processing)

angewandt werden. Damit sollten sich

zumindest Tags unterschiedlicher Spra-

chen trennen, die Tags auf Grund- oder

Stammformen bringen sowie Eingabe-

fehler korrigieren lassen. Über die Kopp-

lung der Folksonomies mit kontrollierten

Vokabularien sollten – in einem gewissen

Maße – Homonyme getrennt und Syno-

nyme zusammengeführt werden; ebenso

können die semantischen Relationen der

eingesetzten Wissensordnungen (z.B. die

Hierarchien) bei der Recherche nutzbar

werden. Liegen maschinenlesbare Wör-

terbücher vor, wird auch multilinguales

Retrieval möglich.

Eine große Herausforderung ist die Kre-

ation passender Algorithmen des Rele-

vance Ranking. Hier sehen wir drei Kri-

terienbündel, die Berücksichtigung fin-

den müssen: die (via NLP „gereinigten“)

Tags selbst (WDF*IDF, Vektorraummo-

dell, Berücksichtigung von Super-Pos-

tern sowie von Power Tags), Merkmale

der Kollaboration (Klickraten, Anzahl der

indexierenden Nutzer, Anzahl der Kom-

mentare und linktopologische Ansätze

bei verlinkten Dokumenten) sowie As-

pekte der Prosumer (Performative, Rele-

vance Feedback, formale Bewertungen).

Ein neues Suchfeld nach Nur Power Tags

verringert den Ballast und steigert somit

die Präzision der Suchresultate.

Über Ähnlichkeitsberechnungen und

den Einsatz von Clusteranalyse oder

verwandter Verfahren erhalten wir Algo-

rithmen, um sowohl ähnliche Dokumente

(„More like this!“) zu finden als auch um

ähnliche Nutzer („More like me!“) und

damit Communities zu identifizieren.

Das Forschungsgebiet der Folksonomies

ist noch sehr jung. Teilweise haben wir

außer Ansätzen noch nicht viel Kon-

kretes an brauchbaren (d.h. in Informa-

tionsdiensten praktisch anwendbaren)

Resultaten vorzuweisen. Wir sehen fol-

gende offenen Forschungsfragen:

n Bisher nicht untersucht sind die Such-

Tags. Insbesondere bei Narrow Folk-

sonomies brauchen wir diese jedoch,

um Tagverteilungen herzustellen und

– soweit dort auch vorhanden – Power

Tags zu identifizieren.

n Wir wissen, dass viele Tagvertei-

lungen bei Broad Folksonomies dem

Power Law folgen; wir wissen aber

auch, dass dies nicht auf alle doku-

mentspezifischen Tagverteilungen

zutrifft. Wie groß sind die Anteile der

Tagverteilungen auf der Mikroebene,

die dem Power Law und die der in-

vers-logistischen Kurve folgen? Gibt

es darüber hinaus weitere Vertei-

lungsformen?

n Das Entstehen einer Power-Law-Ver-

teilung ist durch den Yule-Simon-An-

satz theoretisch zu fassen. Wie erklä-

ren wir aber die Entwicklung einer

invers-logistischen Verteilung?

n In Web 2.0-Diensten werden häufig

Bilder und Videos indexiert. Wir haben

als Problem die Verschmelzung der

semantischen Ebenen bei der Indexie-

rung durch Tags (Ofness, Aboutness,

Ikonologie, Isness) markiert. Des Wei-

teren kennen wir die Inter-Indexer-In-

konsistenz bei der Indexierung solcher

Dokumente. Eine Lösung können wir

nicht bieten.

Folksonomies

59(2008)2, 77-90 

Helfen Sie anderen, die

bedeutendsten digitalen

Sammlungen der Welt zu

entdecken – Ihre eigenen

CONTENTdm—Digital Collection Management Software

Werden Sie Teil einer aktiven Anwendergemeinschaft mit einem gemeinsamen Ziel:

wichtige Bestände, Sammlungen und Kulturschätze zu digitalisieren und einem

breiten Publikum zugänglich zu machen.

CONTENTdm bietet die vollständige Lösung zur Speicherung, Verwaltung, Selektion

und Internet-Präsentation Ihrer digitalen Sammlungen.

Mit CONTENTdm generieren Sie aus Ihren Spezialsammlungen vollständig suchbare

Online-Ressourcen, auf die von jedem Browser aus zugegriffen werden kann.

CONTENTdm—digital collection management software

Grünwalder Weg 28g

82041 Oberhaching, Deutschland

T+49-(0)89-613 08 300

F+49-(0)89-613 08 399

E deutschland@oclc.org

www.oclc.org

n Unsere Lösungsoptionen für die Män-

gel bei Tags beruhen auf informati-

onslinguistischen Ansätzen. Können

wir uns in der Tat auf die Behandlung

von Substantiven und Adjektiven be-

schränken und Verben außer acht las-

sen? Wie häufig kommen Verben über-

haupt als Tags vor?

n In den dokumentspezifischen Inde-

xaten sind paradigmatische Relati-

onen „versteckt“. Wie lassen sich die

versteckten semantischen Relationen

aufdecken?

n Bislang setzt kein System durchge-

hend NLP zur Bearbeitung von Tags

ein. Entsprechend fehlen Erfahrungen

mit informationslinguistisch bearbeite-

ten Tags.

n Wir behaupteten, dass die Retrieval-

option „Power Tags only“ Verbesse-

rungen der Retrievalqualität in Form

einer Steigerung der Precision mit sich

bringt. Hier fehlt noch jede empirische

Bestätigung.

n Der vorgestellte Werkzeugkasten für

Kriterien des Relevance Ranking für

getaggte Dokumente ist ein erster

Vorschlag, Algorithmen klassischer

Retrievalmodelle mit den Gegeben-

heiten der Web 2.0-Dienste (Kollabo-

ration, Prosumer) zu verbinden. Hier

fehlt nicht nur die technische Umset-

zung, sondern auch – im Anschluss

daran – deren Evaluation.

n Nach welchen Algorithmen kann man

Nutzern ähnliche Tags (vor allem Syn-

onyme und Quasi-Synonyme ihrer ur-

sprünglichen Suchterme) vorschlagen,

wenn keine Begriffsordnung einsetz-

bar ist?

n Eignen sich Verfahren nach k-nearest

neighbors oder nach der Clustera-

nalyse für die Identifikation von ähn-

lichen Dokumenten und von Commu-

nities? Werden sie von den Nutzern

angenommen?



Al-Khalifa, H.S. (2007). Automatic Documet-Level

Semantic Metadata Annotation Using Folksono-

mies and Domain Ontologies. PhD-Thesis. Uni-

versity of Southampton / School of Electronics

and Computer Science.

Al-Khalifa, H.S., & Davis, H.C. (2007). Exploring

the value of folksonomies for creating semantic

metadata. International Journal on Semantic Web

and Information Systems 3(2007)1, 12-38.

Aurnhammer, M., Hanappe, P., & Steels, L. (2006).

Augmenting navigation for collaborative tagging

with emergent semantics. Lecture Notes in Com-

puter Science 4273, 58-71.

Bar-Ilan, J., Shoham, S., Idan, A., Miller, Y, &

Shachak, A. (2006). Structured vs. unstructured

tagging – A case study. In: Proceedings of the

15th International WWW Conference. Collabora-

tive Web Tagging Workshop.

Beaudoin, J. (2007). Flickr image tagging: Pat-

terns made visible. Bulletin of the American

Society for Information Science and Technology

34(2007)1, 26-29.

Brin, S., & Page, L. (1998). The anatomy of a large-

scale hypertextual Web search engine. Computer

Networks and ISDN Systems, 30, 107-117.

Brooks, C.H., & Montanez, N. (2006a). An analysis

of the effectiveness of tagging in blogs. In: Nico-

lov, N., Salvetti, F., Liberman, M., & Martin, J.H.

(eds.): Computation Approaches to Analyzing

Weblogs. Papers from the 2006 AAAI Spring Sym-

posium (S. 9-15). Menlo Park, Cal: AAAI Press.

(Technical Report SS-06-03. American Association

for Artificial Intelligence).

Brooks, C.H., & Montanez, N. (2006b). Improved

annotation of the blogosphere via autotagging

and hierarchical clustering. In: Proceedings of the

15th International World Wide Web Conference

(S. 625-632). New York: ACM.

Butterfield, D.S., Costello, E., Fake, C., Henderson-

Begg, C.J., & Mourachow, S. (2006). Interesting-

ness ranking of media objects. Patentanmeldung

Nr. US 2006/0242139 A1. Eingereicht: 8.2.2006.

Publiziert: 26.10.2006.

Butterfield, D.S., Costello, E., Fake, C., Hender-

son-Begg, C.J., Mourachow, S., & Schachter, J.E.

(2006). Media object metadata association and

ranking. Patentanmeldung Nr. US 2006/0242178

A1. Eingereicht: 8.2.2006. Publiziert: 26.10.2006.

Campbell, D.G. (2006). A phenomenological fra-

mework for the relationship between the se-

mantic Web and user-centered tagging systems.

In: 17th ASIS&T SIG/CR Classification Research

Workshop.

Capocci, A., & Caldarelli (2007). Folksonomies and

clustering in the collaborative system CiteULike.

(arXiv:0710.2835v2).

Carlin, S.A. (2007): Social Tagging. Schlagwort-

vergabe durch User als Hilfsmittel zur Suche im

Web. Ansatz, Modelle, Realisierungen. – Boizen-

burg: vwh.

Cattuto, C (2006). Semiotic dynamics in online

social communities. European Physical Journal C

46(2006)Suppl. 2, 33-37.

Cattuto, C., Loreto, V., & Pietronero, L. (2007).

Semiotic dynamics and collaborative tagging.

Proceedings of the National Academy of Sciences

of the United States of America 104(2007)5, 1461-

1464.

Christiaens, S. (2006). Metadata mechanisms:

From ontology to folksonomy … and back. Lec-

ture Notes in Computer Science 4277, 199-207.

Culliss, G.A. (1997). Method for organizing infor-

mation. Patent-No. US 6.006.222. Granted: Dec.

21, 1999. Applied: Jan. 8, 1997.

Diederich, J., & Iofciu, T. (2006). Finding com-

munities of practice from user profiles based on

folksonomies. In Proceedings of the 1st Internatio-

nal Workshop on Building Technology Enhanced

Learning Solutions for Communities of Practice

(TEL-CoPs‘06).

Dye, J. (2006). Folksonomy: A game of high-tech

(and high-stakes) tag. E-Content 29(2006)3, 38-

43.

Egghe, L. (2005). Power Laws in the Information

Production Process: Lotkaian Informetrics. Ams-

terdam: Elsevier Academic Press.

Egghe, L., & Rousseau, R. (1990). Introduction to

Informetrics. Amsterdam: Elsevier.

Fichter, D. (2006). Intranet applications for tag-

ging and folksonomies. Online 30(2006)3, 43-45.

Fidel, R. (2006). An ecological approach to the de-

sign of information systems. Bulletin of the Ame-

rican Society for Information Science and Techno-

logy 33(2006)1, 6-8.

Furnas, G.W., Fake, C., von Ahn, L., Schachter, J.,

Golder, S., Fox, K., Davis, M., Marlow, C., & Naa-

man, M. (2006). Why do tagging systems work?

In: CHI ‚06 Extended Abstracts on Human Fac-

tors in Computing Systems (S. 36-39). New York:

ACM.

Gendarmi, D., & Lanubile, F. (2006). Community-

driven ontology evolution based on folksonomies.

Lecture Notes in Computer Science, 4277, 181-

188.

Golder, S.A., & Huberman, B.A. (2006). Usage pat-

terns of collaborative tagging systems. Journal of

Information Science 32(2006)2, 198-208.

Gordon-Murnane, L. (2006). Social bookmarking,

folksonomies, and Web 2.0 tools. Searcher - The

Magazine for Database Professionals 14(2006)6,

26-38.

Grahl, M., Hotho, A., & Stumme, G. (2007). Con-

ceptual clustering of social bookmarking sites. In:

Proceedings of I-KNOW ‚07, Graz, Austria, Sep-

tember 5-7, 2007 (S. 356-264).

Gruber, T. (2006). Where the social Web meets

the semantic Web. Lecture Notes in Computer

Science 4273, 994.

Gruber, T. (2007). Ontology of folksonomy: A

mash-up of apples and oranges. International

Journal on Web Semantics and Information Sys-

tems 3(2007)1, 1-11.

Guy, M., & Tonkin, E. (2006). Folksonomies: Tidy-

ing up tags? D-Lib Magazine 12(2006)1.

Hänger, C., & Krätzsch, C. (2007). Collaborative

Tagging als Service von Hochschulbibliotheken.

In: Ball, R. (Hrsg.): Wissenschaftskommunikation

der Zukunft. 4. Konferenz der Zentralbibliothek

Forschungszentrum Jülich (S. 123-134). Jülich:

Forschungszentrum Jülich GmbH / Zentralbibli-

othek.

Hammond, T., Hannay, T., Lund, B., & Scott, J.

(2005). Social bookmarking tools. A general re-

view. Part 1. D-Lib Magazine, 12(1).

Heller, L. (2007). Bibliographie und Sacherschlie-

ßung in der Hand vernetzter Informationsbenut-

zer. Bibliothek, 31(2), 162-172.

Herget, J., & Hierl, S. (2007). Top down versus

bottom up: Knowledge representation in transi-

tion. From controlled vocabulary to folksonomies.

In: Proceedings of the 2nd International CODATA

Symposium on Generalization of Information (S.

150-157).

Heymann, P., & Garcia-Molina, H. (2006). Collabo-

rative creation of communal hierarchical taxono-

mies in social tagging system. InfoLab Technical

Report; 2006-10. Stanford: Stanford University /

Computer Science Dept.

Höhfeld, S., & Kwiatkowski, M. (2007). Empfeh-

lungssysteme aus informationswissenschaftlicher

Sicht – State of the Art. Information – Wissen-

schaft und Praxis 58(2007)5, 265-276.

Hotho, A., Jäschke, R., Schmitz, C., & Stumme,

G. (2006a). Information retrieval in folksonomies:

Search and ranking. Lecture Notes in Computer

Science 4011, 411-426.

Hotho, A., Jäschke, R., Schmitz, C., & Stumme, G.

(2006b). Trend detection in folksonomies. Lecture

Notes in Computer Science, 4306, 56-70.

Hotho, A., Jäschke, R., Schmitz, C., & Stumme, G.

(2006c). BibSonomy: A social bookmark and publi-

cation system. In: Proceedings of the Conceptual

Structure Tool Interoperability Workshop at the

14t h International Conference on Conceptual

Structures.

Huang, H. (2006). Tag distribution analysis

using the power law to evaluate social tag-

ging systems: A case study in the Flickr da-

tabase. In 17th ASIS&T SIG/CR Classification

Research Workshop. Abstracts of Posters (S.

14-15).

Ingwersen, P. (2002). Cognitive perspectives of

document representation. In: CoLIS 4: 4th Inter-

national Conference on Conceptions of Library

and Information Science (S. 285-300). Greenwood

Village: Libraries Unlimited.

Jäschke, R., Marinho, L., Hotho, A., Schmidt-

Thieme, L., & Stumme, G. (2007). Tag recommen-

dations in folksonomies. Lecture Notes in Artifi-

cial Intelligence 4702, 506-514.

Jung, S., Herlocker, J.L., & Webster, J. (2007).

Click data as implicit relevance feedback in web

Folksonomies

 59(2008)2, 77-90

search. Information Processing & Management,

43, 791-807.

Kim, H.G., Hwang, S.H., Kang, Y.K., Kim, H.L.,

& Yang, H.S. (2007). An agent environment for

contextualizing folksonomies in a triadic context.

Lecture Notes in Computer Science 4496, 728-

737.

Kim, H.L., Hwang, S.H., & Kim, H.G. (2007). FCA-

based approach for mining contextualized folkso-

nomy. In: Proceedings of the 2007 ACM Sympo-

sium on Applied Computing (S. 1340-1345). New

York: ACM.

Kipp, M.E.I. (2006a). @toread and cool: Tagging

for time, task and emotion. In: 17th ASIS&T SIG/

CR Classification Research Workshop. Abstracts

of Posters (S. 16-17).

Kipp, M.E.I. (2006b). Complementary or discrete

contexts in online indexing: A comparison of

user, creator and intermediary keywords. Cana-

dian Journal of Information and Library Science

30(2006)3, in prep.

Kipp, M.E.I. (2007). Tagging for health informa-

tion organisation and retrieval. In: Proceedings of

the North American Symposium on Knowledge

Organization, vol. 1 (S. 63-74).

Kipp, M.E.I., & Campbell, D.G. (2006). Patterns

and inconsistencies in collaborative tagging sys-

tems: An examination of tagging practices. In:

Proceedings of the 69th Annual Meeting of the

American Society for Information Science & Tech-

nology (Vol. 43), Austin, TX (CD-ROM).

Kleinberg, J. (1999). Authoritative sources in a

hyperlinked environment. Journal of the ACM

46(1999)5, 604-632.

Kolbitsch, J. (2007a). Aspects of Digital Libraries.

Diss. TU Graz.

Kolbitsch, J. (2007b). WordFlickr: A solution to the

vocabulary problem in social tagging systems. In:

Proceedings of I-MEDIA ‚07 and I-SEMANTICS

‚07. Graz, Austria, September 5-7, 2007 (S. 77-84).

Kroski, E. (2005). The Hive Mind: Folksono-

mies and user-based tagging. [Blog post; 2005-

12-07]. Online: http://infotangle.blogsome.

com/2005/12/07/the-hive-mind-folksonomies-and-

user-based-tagging.

Lancaster, F.W. (2003). Indexing and Abstracting

in Theory and Practice. Champaign: University of

Illinois. 3rd ed.

Laniado, D., Eynard, D., & Colombetti, M. (2007).

A semantic tool to support navigation in a folk-

sonomy. In: Proceedings of the 18th Conference

on Hypertext and Hypermedia (S. 153-154). New

York: ACM.

Layne, S. (2002). Subject access to art images. In:

Baca, M. (ed.): Introduction to Art Image Access

(S. 1-19). Los Angeles: Getty Research Institute.

Lin, X., Beaudoin, J.E., Bui, Y., & Desai, K. (2006).

Exploring characteristics of social classification.

In: 17th ASIS&T SIG/CR Classification Research

Workshop.

Lüth, J. (2007). Inhaltserschließung durch Nut-

zerinnen und Nutzer. Ergebnisse eines Tests

mit Internetquellen der virtuellen Fachbib-

liothek EconBiz. In: Ockenfeld, M. (Hrsg.): In-

formation in Wissenschaft, Bildung und Wirt-

schaft. 29. Online-Tagung der DGI. 59. Jah-

restagung der DGI (S. 113-120). Frankfurt am

Main: DGI.

Lund, B., Hammond, T., Flack, M., & Hannay, T.

(2005). Social bookmarking tools (II). A case study

– Connotea. D-Lib Magazine, 11(2005)4.

Lux, M., Granitzer, M. & Kern, R. (2007). Aspects

of broad folksonomies. In: Proceedings of the 18th

International Conference on Database and Expert

Systems Applications (DEXA 2007) (S. 283-287).

Washington, DC: IEEE Computer Society.

Macgregor, G., & McCulloch, E. (2006). Collabora-

tive tagging as a knowledge organisation and re-

source discovery tool. Library Review 55(2006)5,

291-300.

MacLaurin, M.B. (2005). Selection-based item tag-

ging. Patentanmeldung Nr. US 2007/0028171 A1.

Eingereicht: 29.7.2005. Publiziert: 1.2.2007.

Mai, J.M. (2006). Contextual analysis for the de-

sign of controlled vocabularies. Bulletin of the

American Society for Information Science and

Technology 33(2006)1, 17-19.

Markey, K. (1986). Subject Access to Visual Re-

source Collections. Westport: Greenwood.

Markkula, M., & Sormunen, E. (2000). End-user

searching challenges indexing practices in the

digital newspaper photo archive. Information Re-

trieval 1(2000), 259-285.

Marlow, C., Naaman, M., Boyd, D., & Davis, M.

(2006). HT06, tagging paper, taxonomy, Flickr,

academic article, to read. In: Proceedings of the

17th Conference on Hypertext and Hypermedia

(S. 31-40). New York: ACM.

Mathes, A. (2004). Folksonomies – Coopera-

tive Classification and Communication Through

Shared Metadata. Urbana, Ill.: University of Illi-

nois Urbana-Campaign / Graduate School of Lib-

rary and Information Science.

McFedries, P. (2006). Folk wisdom. IEEE Spec-

trum, 43(2006)Febr., 80.

Merholz, P. (2004). Metadata for the masses. [Blog

post, 2004-10-19]. Online: www.adaptivepath.

com/publications/essays/archives/000361.php.

Mika, P. (2005). Ontologies are us: A unified

model of social networks and semantics. Lecture

Notes in Computer Science 3729, 522-536.

Millen, D.R., Feinberg, J., & Kerr, B. (2006). DO-

GEAR. Social bookmarking in the enterprise. In:

Proceedings of the SIGCHI Conference on Human

Factors in Computing Systems (S. 111-120). New

York: ACM.

Miller, G.A. (1998). Nouns in WordNet. In Fell-

baum, C. (ed.), WordNet. An Electronic Lexical

Database (S. 23-46). Cambridge, Mass., London:

MIT Press.

Müller-Prove, M. (2007). Taxonomien und Folk-

sonomien – Tagging als neues HCI-Element. In

i-com, 6(1), 14-18.

Morrison, P.J. (2007). Why are they tagging, and

why do we want them to? Bulletin of the Ameri-

can Society for Information Science and Techno-

logy 34(2007)1, 12-15.

Munk, T.B., & Mork, K. (2007). Folksonomy, the

power law and the significance of the least effort.

Knowledge Organization 34(2007)1, 16-33.

Murison, J. (2005). Messageboard topic tagging:

User tagging of collectively owned community

content. In: Proceedings of the 2005 Conference

on Designing for User eXperience (art. no 5).

New York: American Institute of Graphic Art.

Neal, D. (2007). Folksonomies and image tagging:

Seeing the future? Bulletin of the American So-

ciety for Information Science and Technology

34(2007)1, 7-11.

Niwa, S., Doi, T., & Honiden, S. (2006). Web page

recommender systems based on folksonomy

mining for ITNG ‚06 submissions. In: Third Con-

ference on Information Technology: New Genera-

tion (ITNG‘06) (S. 388-393). Washington, DC: IEEE

Computer Society.

Noruzi, A. (2006). Folksonomies: (un)controlled

vocabulary? Knowledge Organization 33(2006)4,

199-203.

Noruzi, A. (2007). Folksonomies: Why do we need

controlled vocabulary? Webology 4(2), editorial

12.

O‘Reilly, T. (2005). What is Web 2.0. Design pat-

terns and business models for the next genera-

tion of software. Online: www.oreillynet.com/

pub/a/oreilly/tim/news/2005/09/30/what-is-web-

20.html.

Ornager, S. (1995). The newspaper image da-

tabase. Empirical supported analysis of users‘

typology and word association clusters. In: Pro-

ceedings of the 18th Annual International ACM

SIGIR Conference on Research and Development

in Information Retrieval (S. 212-218). New York:

ACM.

Ott, E.S. (2006). Picture tagging. Patentanmel-

dung Nr. US 2007/0079321 A1. Eingereicht:

17.2.2006. Publiziert: 5.4.2007.

Panofsky, E. (1975) Sinn und Deutung in der bil-

denden Kunst. Köln: DuMont.

Panofsky, E. (2006). Ikonographie und Ikonologie.

Köln: DuMont.

Paolillo, J.C., & Penumarty, S. (2007). The social

structure of tagging internet videos on del.icio.

us. In: Proceedings of the 40th Hawaii Internatio-

nal Conference on System Sciences.

Peters, I. (2006a). Inhaltserschließung von Blogs

und Podcasts im betrieblichen Wissensmanage-

ment. In Ockenfeld, M. (Hrsg.): Content. 28. On-

line-Tagung der DGI, 58. Jahrestagung der DGI.

Proceedings (S. 143-151). Frankfurt am Main: DGI.

Peters, I. (2006b). Against folksonomies: Inde-

xing blogs and podcasts for corporate knowledge

management. In: Jezzard, H. (ed.): Preparing for

Information 2.0. Online Information 2006. Procee-

dings (S. 93-97). London: Learned Information

Europe.

Peters, I. (2007). Web 2.0 und Fachinformation.

Folksonomies im Web 2.0. Password 22(2007)5,

10-11.

Peters, I. (2008). ASIS&T Annual Meeting 2007:

Milwaukee, Wisconsin. Joining Research and

Practice: Social Computing and Information Sci-

ence. Password 23(2008)1, 16-19.

Peters, I., & Stock, W.G. (2006). Corporate Blogs

im Wissensmanagement. Wissensmanagement

8(2006)6, 40-41.

Peters, I., & Stock, W.G. (2007a): Web 2.0 im Un-

ternehmen. Wissensmanagement 9(2007)4 22-25.

Peters, I., & Stock, W.G. (2007b): Folksonomy

and information retrieval. In: Proceedings of the

70th Annual Meeting of the American Society for

Information Science and Technology Vol. 45 (S.

1510-1542). (CD-ROM).

Peters, I., & Weller, K. (2008). Paradigmatic and

syntagmatic relations in knowledge organization

systems. Information – Wissenschaft und Praxis,

59(2008)2, 100-107.

Peterson, E. (2006). Beneath the metadata. Some

philosophical problems with folksonomies. D-Lib

Magazine 12(2006)11.

Pluzhenskaia, M. (2006). Folksonomies or faux-

sonomies: How social is social bookmarking?

In: 17th ASIS&T SIG/CR Classification Research

Workshop. Abstracts of Posters (S. 23-24).

Quintarelli, E. (2005). Folksonomies: Power to the

people. Paper presented at the ISKO Italy UniMIB

meeting, Milan, June 24, 2005.

Rasmussen, E.M. (1997): Indexing images. Annual

Review of Information Science and Technology

32, 169-196.

Reamy, T. (2006). Folksonomies and complexity

theory: Evolved information structures. In: Jez-

zard, H. (ed.): Preparing for Information 2.0. On-

line Information 2006. Proceedings (S. 111-113).

London: Learned Information Europe.

Rocchio, J.J. (1971). Relevance feedback in infor-

mation retrieval. In: Salton, G. (ed.): The SMART

Retrieval System – Experiments in Automatic Do-

cument Processing (S. 313-323). Englewood Ciffs,

N.J.: Prentice Hall.

Russell, T. (2006). Cloudalicious: Folksonomy

over time. In: Proceedings of the 6th ACM/IEEE-

CS Joint Conference on Digital Libraries (S. 364).

New York: ACM.

Schmitz, C., Hotho, A., Jäschke, R., & Stumme, G.

(2006). Mining association rules in folksonomies.

In: Batagelj, V., Bock, H.H., Ferligoj, & Žiberna,

A. (eds.): Data Science and Classification (S. 261-

270). Berlin, Heidelberg: Springer.

Folksonomies

59(2008)2, 77-90 

Schmitz, P. (2006). Inducing ontology from Flickr

tags. In: Proceedings of the 15th International

WWW Conference. Collaborative Web Tagging

Workshop.

Shatfort, S. (1986). Analyzing the subject of a pic-

ture. A theoretical approach. Cataloguing and

Classification Quarterly 6(1986)3, 39-62.

Shirky, C. (2004). Folksonomy. [Blog post; 2004-

08-24]. Online: http://many.corante.com/ar-

chives/2004/08/25/folksonomy.php

Shirky, C. (2005). Ontology is overrated: Catego-

ries, Links, and Tags. www.shirky.com/writings/

ontology_overrated.html.

Sinclair, J., & Cardew-Hall, M. (2008). The folk-

sonomy tag cloud: When is it useful? Journal of

Information Science 34(2008)1, 15-29.

Smith, G. (2004). Folksonomy: Social classifica-

tion. [Blog post; 2004-08-03]. http://atomiq.org/

archives/2004/08/folksonomy_social_classifica-

tion.html.

Smith, M.K. (2006). Viewer tagging in art mu-

seum: Comparisons to concepts and vocabularies

of art museum visitors. In: 17th ASIS&T SIG/CR

Classification Research Workshop.

Specia, L., & Motta, E. (2007). Integrating folkso-

nomies with the semantic Web. Lecture Notes in

Computer Science, 4519, 624-639.

Spiteri, L.F. (2006). The use of folksonomies in

public library catalogues. The Serials Librarian

51(2006)2, 75-89.

Spiteri, L.F. (2007). Structure and form of folkso-

nomy tags: The road to the public library cata-

logue. Webology 4(2007)2, art. 41.

Spyns, P., de Moor, A., Vandenbussche, J., &

Meersman, R. (2006). From folksonomies to on-

tologies: How the twain meet. Lecture Notes in

Computer Science 4275, 738-755.

Stock, W.G. (2006). On relevance distributions.

Journal of the American Society for Information

Science and Technology 57(2006)8, 1126-1129.

Stock, W.G. (2007a). Information Retrieval. Infor-

mationen suchen und finden. München, Wien:

Oldenbourg.

Stock, W.G. (2007b). Folksonomies and science

communication. A mash-up of professional sci-

ence databases and web 2.0 services. Information

Services & Use, 27(2007)3, 97-103.

Stock, W.G., & Stock, M. (2008). Wissensrepräsen-

tation. Informationen auswerten und bereitstel-

len. München, Wien: Oldenbourg.

Stock, W.G., & Weber, S. (2006). Facets of infor-

metrics. Information – Wissenschaft und Praxis

57(2006)8, 385-389.

Surowiecki, J. (2004). The Wisdom of Crowds.

New York: Doubleday (dt. Die Weisheit der Vie-

len. München: Bertelsmann, 2005).

Toffler, A. (1980). The Third Wave. New York:

Morrow.

Tonkin, E. (2006a). Folksonomies: The fall and

rise of plain-text tagging. Ariadne, 47.

Tonkin, E. (2006b). Searching the long tail:

Hidden structure in social tagging. In: 17th

ASIS&T SIG/CR Classification Research Work-

shop.

Trant, J. (2006a). Exploring the potential for social

tagging and folksonomy in art museums: Proof of

concept. New Review of Hypermedia and Multi-

media 12(2006)1, 83-105.

Trant, J. (2006b). Social classification and folkso-

nomy in art museums: Early data from the steve.

museum tagger prototype. In: 17th ASIS&T SIG/

CR Classification Research Workshop.

Vander Wal, T. (2004). Feed on this. [Blog post;

2004-10-03]. www.vanderwal.net/random/cate-

gory.php?cat=153.

Vander Wal, T. (2005). Explaining and showing

broad and narrow folksonomies. [Blog post; 2005-

02-21]. www.vanderwal.net/random/category.

php?cat=153.

Veres, C. (2006a). The language of folksonomies:

What tags reveal about user classification. Lec-

ture Notes in Computer Science 3999, 58-69.

Veres, C. (2006b). Concept modeling by the

masses: Folksonomy structure and interopera-

bility. Lecture Notes in Computer Science 4215,

325-338.

Voß, J. (2007). Tagging, folksonomy & co. – Re-

naissance of manual indexing? In: Oßwald, A.,

Stempfhuber, M., & Wolff, C. (Hrsg.): Open Inno-

vation. Neue Perspektiven im Kontext von Infor-

mation und Wissen. ISI 2007 (S. 243-254). Kons-

tanz: Universitätsverlag.

Wang, X., Bai, R., & Liao, J. (2007). Chinese web-

log pages classification based on folksonomy and

support vector machines. Lecture Notes in Com-

puter Science 4476, 309-321.

Weiss, A. (2005). The power of collective intelli-

gence. netWorker, 9(2005)3, 16-23.

Winget, M. (2006). User-defined classification on

the online photo sharing site Flickr … Or, how I

learned to stop worrying and love the million ty-

ping monkeys. In: 17th ASIS&T SIG/CR Classifi-

cation Research Workshop.

Weller, K., & Peters, I. (2007). Reconsidering relati-

onships for knowledge representation. In: Procee-

dings of I-KNOW ‚07. Graz, Austria, September

5-7, 2007 (S. 493-496).

Wu, H., Zubair, M., & Maly, K. (2006). Harvesting

social knowledge from folksonomies. In: Procee-

dings of the 17th Conference on Hypertext and

Hypermedia (S. 111-114). New York: ACM.

Xu, Z., Fu, Y., Mao, J., & Su, D. (2006). Towards

the semantic Web: Collaborative tag suggestions.

In: Proceedings of the 15th International WWW

Conference. Collaborative Web Tagging Work-

shop.

Yeung, C.M.A., Gibbins, N., & Shadbolt, N. (2008).

Mutual contextualization in tripartite graphs of

folksonomies. Lecture Notes in Computer Science

4825, 966-970.

Zhang, L., Wu, X., & Yu, Y. (2006). Emergent se-

mantics from folksonomies: A quantitative study.

Lecture Notes in Computer Science 4090, 168-

186.

Inhaltliche Erschließung, Zusam-

menarbeit, Folksonomy, Wissens-

repräsentation, Information Retrie-

val, Prosumer, Broad Folksonomy,

Narrow Folksonomy, Index-Tag,

Such-Tag, Tag-Verteilung, Long

Tail, Long Trunk, Power Law,

invers-logistische Verteilung,

Yule-Simon-Prozess, Ofness,

Aboutness, Isness, Flickr,

Del.icio.us, YouTube, Natural

Language Processing, Relevance

Ranking, Interestingness Ranking,

ähnliche Dokumente, ähnliche

Nutzer, Community



ist wissenschaftliche

Mitarbeiterin der Ab-

teilung für Informati-

onswissenschaft der

Heinrich-Heine-Uni-

versität Düsseldorf.

Ihre Forschungs-

schwerpunkte liegen

bei Web-2.0-Diensten, Folksonomies,

der Blogo- und Podcastosphäre sowie

im betrieblichen Wissensmanagement.

isabella.peters@uni-düsseldorf.de



ist Leiter der Abtei-

lung für Informati-

onswissenschaft der

Heinrich-Heine-Uni-

versität Düsseldorf.

Seine Forschungen

liegen vor allem in

Gebieten des Information Retrieval,

der Wissensrepräsentation und der In-

formetrie.

stock@phil-fak.uni-duesseldorf.de

Die Autoren

Folksonomies

 59(2008)2, 77-90

Enhanced User Interaction to Qualify Web Resources by the Example of Tag Rating in Folksonomies

Chapter

Full-text available

Jan 2011

The Web offers autonomous and frequently useful resources in growing manner. User Generated Content (UGC) like Wikis, Weblogs or Webfeeds often do not have one responsible authorship or declared experts who checked the created content for e.g. accuracy, availability, objectivity or reputation. The user is not able easily, to control the quality of the content he receives. If we want to utilize the distributed information flood as a linked knowledge base for higher-layered applications-e.g. for knowledge transfer and learning-information quality (iq) is a very important and complex aspect to analyze, personalize and annotate resources [1]. In general, low information quality is one of the main discriminators of data sources on the Web [2]. Assessing information quality with measurable terms can offer a personalized and smart view on a broad, global knowledge base. We developed the qKAI application framework [3] to utilize available, distributed data sets in a practically manner. In the following we present our adaption of information quality aspects to qualify Web resources based on a three-level assessment model. We deploy knowledge-related iq-criteria as tool to implement iq-mechanisms stepwise into the qKAI framework. Here, we exemplify selected criteria of information quality in qKAI like relevance or accuracy. We derived assessment methods for certain iq-criteria enabling rich, game-based user interaction and semantic resource annotation. Open Content is embedded into knowledge games to increase the users' access and learning motivation. As side effect the resources' quality is enhanced stepwise by ongoing user interaction. By the example of image tag rating in folksonomies we demonstrate a practicable use case for qualifying web resources by keyword-oriented group search and game-based tag ranking in detail. Information quality, folksonomies, open content, semantic annotation, knowledge transfer.

Utilizing Distributed Web Resources for Enhanced Knowledge Representation

Thesis

Jan 2011

Monika Steinberg

The Web represents an essential medium in nearly all domains in the area of information and knowledge exchange. Answers to questions on all topics, from general knowledge to specific expert know-how, are contained, either explicitly or implicitly in expert and user-generated resources. In contrast to Web 1.0, where content is explicitly created by experts, with Social Media (Web 2.0) the dividing line between producers and consumers is becoming increasingly indistinguishable. Knowledge is not only generated by recognized experts anymore, but also heavily influenced by collective intelligence. This brings the quality of the content into question, as well as the quality of user interaction generated by user interoperation with distributed web content. The current evolution of Social Media is being described by the term “Web 3.0” or “Social Semantic Web,” whereby standardized, machine interpretable formats, semantic meaning, intelligence and user-oriented interaction complement each other (“hybrid intelligence”). Within the scope of this thesis the service-oriented mashup1 framework, qKAI (qualifying Knowledge Acquisition and Inquiry), is developed for generic reuse of knowledge- oriented, distributed web resources in web applications and for enhanced user interaction scenarios. The combination of standardized web technologies and game design mechanics is used as an expandable concept for interactive web applications – especially in the Social Media area. The challenge lies in simplifying access to distributed web resources to enhance their representation and interconnectivity (“hyperconnectivity”) and to motivate user interoperability with these resources. One requirement for carrying out these processes is utilizing distributed web resources for interactive knowledge-related tasks. Throughout this thesis examples of simplified information access, user interaction and motivation, and ongoing interoperability with freely available resources (“open content”) are presented. Web-based game technologies are deployed as interactive knowledge systems. Distributed web resources are widely regarded as an inherent part of higher-layered applications in information and knowledge management. Knowledge engineering concerns are combined with social interaction strategies and knowledge-oriented collaboration. Based upon semantic interlinking between resources, users and interactive tasks, a comprehensive concept is introduced that integrates distributed web resources into enhanced knowledge representations in an incentive way. A prototypical social web community and stand-alone web applications have been developed during qKAI to implement and illustrate this concept.

Joint Multi-Label Attention Networks for Social Text Annotation

Conference Paper

Full-text available

Jun 2019

We propose a novel attention network for document annotation with user-generated tags. The network is designed according to the human reading and annotation behaviour. Usually, users try to digest the title and obtain a rough idea about the topic first, and then read the content of the document. Present research shows that the title metadata could largely affect the social annotation. To better utilise this information, we design a framework that separates the title from the content of a document and apply a title-guided attention mechanism over each sentence in the content. We also propose two semanticbased loss regularisers that enforce the output of the network to conform to label semantics, i.e. similarity and subsumption. We analyse each part of the proposed system with two real-world open datasets on publication and question annotation. The integrated approach, Joint Multi-label Attention Network (JMAN), significantly outperformed the Bidirectional Gated Recurrent Unit (Bi-GRU) by around 13%-26% and the Hierarchical Attention Network (HAN) by around 4%-12% on both datasets, with around 10%-30% reduction of training time.

Collective indexing of emotions in videos

Article

Full-text available

Oct 2011
J DOC

Purpose The object of this empirical research study is emotion, as depicted and aroused in videos. This paper seeks to answer the questions: Are users able to index such emotions consistently? Are the users' votes usable for emotional video retrieval? Design/methodology/approach The authors worked with a controlled vocabulary for nine basic emotions (love, happiness, fun, surprise, desire, sadness, anger, disgust and fear), a slide control for adjusting the emotions' intensity, and the approach of broad folksonomies. Different users tagged the same videos. The test persons had the task of indexing the emotions of 20 videos (reprocessed clips from YouTube). The authors distinguished between emotions which were depicted in the video and those that were evoked in the user. Data were received from 776 participants and a total of 279,360 slide control values were analyzed. Findings The consistency of the users' votes is very high; the tag distributions for the particular videos' emotions are stable. The final shape of the distributions will be reached by the tagging activities of only very few users (less than 100). By applying the approach of power tags it is possible to separate the pivotal emotions of every document – if indeed there is any feeling at all. Originality/value This paper is one of the first steps in the new research area of emotional information retrieval (EmIR). To the authors' knowledge, it is the first research project into the collective indexing of emotions in videos.

Mediatisierung und Medialität in Social Media: Das Diskurssystem „Twitter“

Chapter

Nov 2012

20. Foto-Communitys als multimodale digitale Kommunikationsform

Chapter

Full-text available

Jan 2016

Christina Margrit Siever

In Foto-Communitys finden sich vielfältige und komplexe Text-Bild-Relationen, wobei hier zwei kommunikative Praktiken näher betrachtet werden: Das Vergeben von Tags und das Anbringen von Notizen. Tags dienen der Wissensrepräsentation; es stellt sich hier die Frage, wie Bilder möglichst adäquat versprachlicht werden können, es wird also semantische Redundanz angestrebt. Zudem wird in diesem Beitrag dargestellt, wie die Relationen zwischen den verschiedenen Tags geartet sind, die sich gemeinsam auf ein Bild beziehen. Bei Notizen dahingegen stehen pragmatische Relationen im Vordergrund, die aus semantischer Sicht als komplementär zu bezeichnen sind, d. h. die Informationen des Kommunikats sind auf Text und Bild verteilt. Auf der sprachlichen Seite geht es dabei um Ellipsen, die im Bild gefüllt sind, um verbale Deiktika, die auf das Bild verweisen sowie um Passivkonstruktionen, bei denen das Agens im Bild realisiert ist.

Web 2.0 in scientific work

Article

Feb 2010

M. Perez

This paper will show the meaning of Web 2.0-tools for scientists and it will show why they think they are useful. Therefor a survey with scientists of different faculties will be presented. This survey is about which Web 2.0tools are known and what they are used for. After a short introduction about Web 2.0 and the research-level up to now the results of the survey will be discussed, which will show, that Web 2.0-tools are well known, but mainly used for personal reasons and entertainment, rather than for scientific work.

Information literacy in the Age of Web 2.0. Chances and Challenges of Social Software

Article

Apr 2009

With a diversity of newly emerging collaborative services (social software) the internet is changing considerably. New competencies and skills are needed to tap the full potential of these new Web 2.0 tools. At the same time, large amounts of user-generated content let problems of information overload become even more serious. More than ever, competencies in using digital information effectively and adequately have to be promoted. This paper discusses chances and challenges for users of social software tools. Furthermore, an online survey was conducted with more than 1000 students: Which Web 2.0 services are widely known? How are they used? Do they compete with web search engines and classical library resources?.

Indexing of emotions in videos

Article

May 2010

Object of our empirical research study are depicted and provoked emotions in videos. Are users able to index such emotions consistently? Are the users' votes usable for emotional video retrieval? We worked with a controlled vocabulary for nine basic emotions (love, happiness, enjoyment, surprise, desire, sadness, anger, disgust, and fear), a scroll bar for adjusting the emotions' intensities, and the approach of broad folksonomies. Different users tagged the same videos. The test persons had the task to index the emotions of 20 videos (reprocessed movies from You Tube). We got data from 776 participants and could analyze all in all 279,360 scroll bar values. The consistency of the users' votes is very high; there are stable tag distributions for the emotions of the particular videos. The final shape of the distributions will be reached by the tagging activities of only few users (less than 100). Applying the approach of power tags it is possible to separate the pivotal emotions of every document - if there is any feeling at all. Those document-specific emotions establish the basis of an emotional information retrieval (EmIR) system.

Bedarfsorientierte Gewinnung von Metadaten : Am Beispiel der Online-Artikel eines IT-Fachverlags

Thesis

Jan 2009

Johannes Hercher

In der Diplomarbeit wird anhand des Webangebots eines IT-Fachverlags untersucht, wie Metadaten für Textdokumente effizient erstellt werden können. Ziel ist es die Beschreibung und den Zugriff auf Online Beiträge zu verbessern. Es werden grundlegenden Metadatenarten beschrieben und ein Zusammenhang zwischen Auffindbarkeit von Textdokumenten und ihrer Beschreibung hergestellt. Weiterhin werden einige Möglichkeiten der Inhaltlichen Erschließung vorgestellt und einige Methoden erläutert, mit denen ihre Erstellung maschinell unterstützt werden kann. Innerhalb einer Bedarfsanalyse werden die notwendigen Metadaten identifiziert, um daraus einen Entwurf für eine verbesserte Beschreibungsstruktur (Ordnungssystem) abzuleiten. Die Arbeit enthält außerdem Vorschläge für die Erstellung der benötigten Metadaten unter den Gesichtspunkten der Qualität und Effektivität.

Aspects of Digital Libraries

Thesis

Full-text available

Jan 2007

Josef Kolbitsch

Wissensrepräsentation: Informationen auswerten und bereitstellen

Book

Dec 2008

Ontologies are Us: A Unified Model of Social Networks and Semantics

Article

Jan 2007

Peter Mika

Aspects of Broad Folksonomies

Conference Paper

Sep 2007

Ikonographie und Ikonologie

Book

Mar 2006

Erwin Panofsky

Against folksonomies: Indexing blogs and podcasts for corporate knowledge management

Article

Jan 2006

I. Peters

Why are they tagging, and why do we want them to?

Article

Oct 2007

P.J. Morrison

The views of P. Jason Morrison, on social tagging system and resulting folksonomies, are discussed. Folksonomies are used to organize information and support information retrieval. Folksonomies are often a tag cloud which are usually listed alphabetically and weighted by popularity. Tags are useful for users to navigate the site and suggest weather they are on the right track. Users tagged website to organize their bookmark and find things later or share them with others. Tags can later be searched to organize a large collection into categories in tune with the user's own idiosyncratic mental model. Content producer submitting items to a collection, tag their item, so that user browsing through or searching the folksonomy can ultimately see their content. The items which are not intersected with common search items can never searched and tagged.

Folksonomy, The Power Law & the Significance of the Least Effort

Article

Jan 2007
KNOWL ORGAN

The essence of folksonomies is user-created descriptive metadata as opposed to the traditional sender-determined descriptive metadata in taxonomies and faceted classification. We briefly introduce the beginning and principles of folksonomy and discuss the categorizing concept of folksonomies on the basis of the computer program delicious. The selection of the metadata tagged is not accidental, rather tagging follows a pattern that proves to be the pattern for the classic power law, which, in many complex systems is seen to unfold as an imitation-dynamic that creates an asymmetry, where a few descriptive metadata are often reproduced and the majority seldom 'reproduced. In delicious, it is the very broad and basic subject headings that are often reproduced and achieve power in the system - which in cognitive psychology is called cognitive basic categories - while the small, more specific subject headings are seldom reproduced. The law of power's underlying imitation-dynamic in delicious is explained from the perspective of different theoretical paradigms, i.e. network, economy and cognition. The theorectical and speculative conclusion is that the law of power and asymmetry is biased by a cognitive economizing through a simplification principle in the users' construction of descriptive metadata. Free tagging in folksonomies is comparable to empirical experiments in free categorization. Users often choose broad basic categories, because that requires the least cognitive effort. The consequences are that folksonomy is not necessarily a better, more realistic and cheaper method of creating metadata than that which can be generated through taxonomies, faceted classification or search algorithms. Folksonomy as a self-organizing system likely cannot create better and cheaper descriptive metadata.

Paradigmatic and syntagmatic relations in knowledge organization systems

Article

Mar 2008

Classical knowledge representation methods have been successfully working for years with established - but in a way restricted and vague - relations such as synonymy, hierarchy (meronymy, hyponymy) and unspecified associations. Recent developments like ontologies and folksonomies show new forms of collaboration, indexing and knowledge representation and encourage the reconsideration of standard knowledge relationships for practical use. In a summarizing overview we show which relations are currently used in knowledge organization systems (controlled vocabularies, ontologies and folksonomies) and which relations are expressed explicitly or which may be inherently hidden in them.

Nouns in WordNet

Article

Jan 1998

G.A. Miller

Folksonomies in knowledge representation and information retrieval

Abstract

Recommended publications

Folksonomy and information retrieval

FolksonomiesinWissensrepräsentation�� undInformationRetrieval

“Power Tags ” in Information Retrieval

Social Semantic Corporate Digital Libraries: Joining Knowledge Representation and Knowledge Manageme...