2 Schriftsatz

Bei der Herstellung von Drucksachen sind Richtlinien (/Duden DT5/, S. 45) zu beachten, die z.B. folgenden Aufbau besitzen:

a) Am Satzanfang

Abkürzungen, die für mehr als ein Wort stehen, werden am Satzanfang in der Regel ausgesetzt.

b) S., Bd., Nr., Anm.

Abkürzungen wie S., Bd., Nr., Anm. sollen nur verwendet werden, wenn ihnen kein Artikel und keine Zahl vorangeht.

c) Mehrgliedrige Abkürzungen

Bei mehrgliedrigen Abkürzungen wird zwischen den einzelnen Gliedern nach dem Punkt ein kleinerer Zwischenraum gesetzt.

Die Trennung mehrgliedriger Abkürzungen ist zu vermeiden.

Auch abgekürzte Maß- und Währungseinheiten sollen nach Möglichkeit nicht von den dazugehörigen Zahlen getrennt werden.

Neben den Abkürzungen gibt es noch Richtlinien für:

2.1 Anforderungen

Es ist nun eine Form der Wissensrepräsentation mit einer geeigneten Darstellungsart zu entwickeln/finden, die es gestattet, alle oben angegebenen Konstrukte zu erkennen und gemäß den Satzanweisungen für den Schriftsatz aufzubereiten.

Das Expertenwissen für den Schriftsatz besteht demnach aus einer Menge von Regeln, die die Konstrukte gemäß den angegebenen Syntaxdiagrammen (s. Kap. 6.3) erkennen (parsen) und nach den Regeln für den Schriftsatz aufbereiten können. Die Problemlösungskomponente muß die Regelmenge auf einen gegebenen Text anwenden und ggf. dabei auftretende Inkonsistenzen/ Überschneidungen (s. Kap. 2.3) beheben: Die Problemlösung beinhaltet eine Analyse der Regelmenge (Richtlinien) auf derartige Inkonsistenzen mit einem entsprechenden Vorschlag, wie diese Inkonsistenzen zu beheben sind.

2.2 Probleme

Die bei der Lösung der gestellten Anforderungen auftauchenden Probleme lassen sich in folgende Punkte unterteilen:

2.3 Grammatiken

Die Erkennung bestimmter Konstrukte in einem Text ist durch den Einsatz geeigneter Grammatiken zu lösen, da Grammatiken zur Spezifikation von Sprachen und damit zur Definition erlaubter Zeichenfolgen (Syntax) verwendet werden. Zur Lösung der oben genannten Probleme sind darüber hinaus noch bestimmte Anforderungen an die Grammatik zu stellen, die letztendlich verwendet werden soll. Nachfolgend sind nun einige unterschiedliche Grammatikformen angeführt. Für weitergehende Informationen sei an dieser Stelle auf die entsprechende Fachliteratur verwiesen.

2.3.1 Transition Networks

Der erste hier kurz erläuterte Grammatiktyp ist das Übergangsnetzwerk<$SÜbergangsnetzwerk;Transition Network>, von dem es zwei verschiedene Arten gibt:

Ein RTN ist im wesentlichen ein Netzwerk von Knoten und Kanten. Die Knoten repräsentieren den Zustand, der momentan beim Parsen eines Satzes erreicht worden ist. Im Gegensatz dazu spezifizieren die Kanten die möglichen Übergänge (Transitions) von einem Zustand zu einem anderen, die durch das Parsen eines Wortes oder einer Phrase herbeigeführt werden können.

Die Zustände selbst können wiederum in Ebenen, die einzelnen Parsern für die unterschiedlichen Phrasen entsprechen, eingeteilt werden. Eine Ebene besteht aus einem Netzwerk mit einem Startknoten und einem oder mehreren Endzuständen. Ein Knoten kann dazu dienen, rekursiv - daher der Name - eine Ebene tiefer zu gehen, eine ganze Struktur einzulesen und dann auf die ursprüngliche Ebene zurückzukehren.

Ein ATN ist ein RTN, das um eine Menge von Registern erweitert wurde. Diese Register können durch Aktionen, die an den Kanten stehen, beim Übergang von einem Zustand zum nächsten mit Werten gefüllt werden. Die Werte dieser Register können dann durch Bedingungen, die ebenfalls an den Kanten stehen, getestet werden, um das Durchlaufen bestimmter Übergänge und Zustände zu steuern. Beispielsweise kann das Geschlecht und die Zahl des Subjektes und des Prädikats gespeichert werden, um später deren Übereinstimmung zu überprüfen, oder ganze Phrasen, um sogenannte Long-Distance-Dependencies aufzulösen. Die möglichen Werte dieser Register können deshalb einzelne Attribute der Phrasen oder auch ganze Phrasenstrukturen sein. Auf diese Weise ist es bspw. möglich, Tiefenstrukturen á la Chomsky - also die Auflösung von Passivkonstruktionen - zu erzeugen.

Abb. 2.1: ATN-Grammatik

Ein wichtiger Vorteil von ATNs gegenüber anderen Grammatikformen ist die Fähigkeit, die Kanten vor- und rückwärts zu durchlaufen, um den Typ der Konstituenten vorherzusagen und damit die Möglichkeiten einzuschränken. Formal entsprechen die ATNs den endlichen Automaten, Push-Down-Automaten und Turingmaschinen. Von daher ist ein ATN ein Automat, der sich die Position in der Eingabezeichenkette, den Knoten, die Werte seiner Register und den Stack, der durch die rekursiven Durchläufe durch die einzelnen Graphen aufgebaut wird, merkt.

2.3.2 Case Grammmar

Es gibt mehrere Arten von "Case-Grammatiken", die alle ähnliche Konzepte verfolgen. Ursprünglich dienten sie dazu, Substantive anhand ihrer Beugungen gemäß ihrer syntaktischen Rolle innerhalb eines Satzes zu klassifizieren: den "Surface" oder "Syntactic Level". Diese Art der Klassifizierung reicht aber in den meisten Fällen nicht aus. Zusammen mit lexikalischen und morphologischen Informationen läßt sich die semantische Rolle bestimmen, die ein Substantiv in einem Satz spielt.

Ein anderes Verständnis von "Case" ist die Unterteilung von Substantiven gemäß ihrer konzeptionellen Rolle in der innerhalb des Satzes beschriebenen Aktion: "Deep Case", "Semantic Case" oder auch "Theta Role" genannt. Zum Beispiel ist der "Agent Case" eine Abstraktion von "dem Leser", "dem Spaziergänger", "dem Fußballspieler" usw. Weil diese konzeptionellen Rollen die Bedeutung der Wörter beschreiben sollen, sind sie sprachunabhängig. Eine Menge von Cases wird auch Case System genannt, von denen die vier wichtigsten von Fillemore, Celce, Grimes und Shank stammen.

Abb. 2.2: Case-Grammatik

Um den Parsingvorgang zu erleichtern, d.h. Zweideutigkeiten aufzulösen, kann den einzelnen Konstituenten ein sog. "Case Frame" zugeordnet werden, in dem alle wichtigen Eigenschaften beschrieben werden. So könnte ein Case Frame für 'kicking' folgendermaßen aussehen:

(Die Elemente in geschweiften Klammern sind optional.)

Nach Fillmore besteht ein Satz aus einer Modalität mit Negationen, Zeitangaben und ähnlichem, einer Struktur aus einem Verb ohne Zeitangabe und mindestens einem Case. Ein Case wiederum besteht aus einem sprachabhängigen Kasuselement und einem Substantiv oder einem geschachtelten Nebensatz. Diese Art der Darstellung ermöglicht die Abbildung von Tiefenstrukturen in Oberflächenstrukturen.

Fillmore hat mehrere Case Systeme entwickelt, die jeweils unterschiedlichen Aspekten der Bedeutung verschiedener Worte Rechnung tragen. Deshalb sei hier ein Auszug aus einem Case System von Fillmore angegeben:

Shank orientiert sich bei seinem Case System mehr an der Aufgabenstellung, die die Sprache für den Menschen hat. So führt er eine kleine Anzahl primitiver Aktionen ein, die in den meisten Fällen für die Beschreibung von Events ausreichen und die von einer bestimmten Struktur von Aktionen ausgehen:

Die primitiven Aktionen sind dabei von der Art "transfer a physical object" oder "transfer mental information".

2.3.3 Definite-Clause Grammar

Warren und Pereira haben 1978 die Idee dieser Grammatikform, die auf Hornklauseln basiert, eingeführt. Definite-Clause Grammatiken sind eine Erweiterung von kontextfreien Grammatiken, die sehr leicht in Form von Produktionsregeln in PROLOG unter Hinzunahme von zusätzlichen Parametern zur Variablenübergabe implementiert werden können:

Die Bedeutung eines Satzes wird so in eine logische Struktur überführt, die zwecks weiterer Verarbeitung leicht zu handhaben ist. Beispielsweise wird der Satz

in der folgenden Struktur dargestellt:

2.3.4 Generalized Phrase Structure Grammar

Diese Grammatikform ist ebenfalls eine Variante von kontextfreien Grammatiken, die syntaktische Kategorien anhand von Eigenschaftsspezifikationen aufstellt. Eine derartige Kategorie ist eine partielle Funktion, die Eigenschaften auf die möglichen Werte abbildet. Darüber hinaus können diese Kategorien durch zusätzliche Bedingungen, wie Dominanz-, Reihenfolge-, Kombinations- und Instanziierungsregeln, weiter eingeschränkt werden.

2.3.5 Phrase-Structure Grammar

Phrasenstrukturgrammatiken stellen strukturierte Beschreibungen eines Satzes bereit, die durch Bäume oder Klammerstrukturen dargestellt werden können.

Abb. 2.3: Phrasen-Struktur-Grammatik

Wie jede Grammatik enthält eine Phrasenstrukturgrammatik Nichtterminalsymbole, die durch Grammatikregeln nach und nach durch Terminalsymbole, das sind die einzelnen Worte, ersetzt werden. Die Ableitung beginnt dabei wie üblich mit der Ausdehnung des Nichtterminalsymbols "S", das für die gesamte Satzstruktur steht:

Um die Anzahl der möglichen Worte zu reduzieren und Redundanzen zu vermeiden, werden die Terminalsymbole zu Strukturen zusammengefaßt, die phonologische, syntaktische und semantische Eigenschaften beschreiben.

2.3.6 Semantic Grammar

In semantischen Grammatiken beziehen sich die Kategorien sowohl auf semantische als auch auf syntaktische Konzepte.

Der Unterschied zu anderen Grammatiken besteht nur in der Art der Informationen und nicht darin, wie diese gespeichert werden. So kann dazu eine andere der hier genannten Grammatikformalismen genutzt werden.

Das Ziel semantischer Grammatiken ist die Interaktion mit dem Benutzer. Die Grammatiken werden dann zum Aufbau von natürlichsprachlichen Zugangssystemen benutzt. Deshalb hängt die Auswahl der benötigten Kategorien von der Intention ab, die der Benutzer mit dieser Grammatik verfolgt. Dies kann am besten am folgenden Beispiel verdeutlicht werden:

Abb. 2.4: semantische Grammatik (Teil 1)

Abb. 2.5: semantische Grammatik (Teil 2)

So kann eine Frage bspw. durch folgende Regel angegeben werden:

Ein besonders Problem beim Verstehen natürlicher Sprache ist das Verfolgen eines Diskurses. Darunter ist das Verstehen und Beantworten von Fragen gemeint, die nacheinander gestellt werden und dabei evtl. nicht vollständig sind: Ellipsen.

Bei semantischen Grammatiken wird dieses Problem durch Ausnutzen ähnlicher Strukturen, die bei vorhergehenden Sätzen aufgebaut worden sind, gelöst. Dabei werden die spezifischen Kategorien der jeweiligen semantischen Grammatiken substituiert.

Semantische Grammatiken haben aber auch einige Schwächen:

Um die Vorteile von semantischen Grammatiken ausnutzen zu können, werden diese häufig mit anderen Grammatikformalismen kombiniert.

2.4 Der benutzte Grammatikformalismus

Der hier definierte Formalismus orientiert sich dabei sehr stark an den ATN-Grammatiken, die mit ihren Registern am ehesten in der Lage sind, die Anforderungen, die an den genutzten Grammatikformalismus gestellt werden müssen, zu erfüllen. Die Fähigkeit der Grammatik, die zu analysierende Struktur sowohl vorwärts als auch rückwärts auszuwerten, kommt ihr zugute.

Die einzelnen Diagramme sind so aufgebaut, daß möglichst große Bereiche von verschiedenen Schreibweisen für ein Konstrukt noch als ein solches erkannt wird. Besonders wichtig ist die Tatsache, daß an beliebigen Stellen innerhalb eines Textes beliebig viele Leerstellen und Carriage Return/Line Feed-Paare (im folgenden CR/LF-Paar genannt) stehen können. Die normale BNF-Form für Syntaxdiagramme ist darüber hinaus noch um spezielle Eigenschaften erweitert worden:

1. Nach einem langen, einfachem Pfeil ("-->") folgt eine Angabe mit (Nicht-)Terminalsymbolen, die das zurückzuschreibende Konstrukt angibt. Sollten dabei neue Nichtterminalsymbole verwendet werden, so wird deren Inhalt anschließend in geschweiften Klammern ("{" und "}") näher spezifiziert. Die Spezifikation erfolgt in der Form, daß links von einem Zuweisungspfeil ("<=") das Nichtterminalsymbol und rechts davon eine Funktion, die dann beliebig umfangreich sein kann, zur Berechnung des Wertes mit den benötigten Parametern steht. Sollte kein einfacher Pfeil mit einem entsprechenden zurückzuschreibenden Konstrukt vorhanden sein, so wird des geparste Konstrukt selber zurückgeschrieben.

2. In den geschweiften Klammern kann mittels des Zuweisungspfeils einer globalen Variable eine bestimmte Konstante zugewiesen werden, die dann in einem anderen Teil des Parsing-Baumes als Funktionsparameter weiterverwendet (abgefragt) werden kann. Dadurch ist es möglich, daß umfangreiche Umformungen und Vereinheitlichungen durchgeführt werden können. Eine Standardvariable ist "BEN". Sie enthält benutzerspezifische, nicht näher erläuterte Angaben, die zu Beginn des Programmlaufes abgefragt werden und dann immer zur Verfügung stehen.

3. Normalerweise gibt es verschiedene Möglichkeiten, einen Lösungsbaum beim Parsing-Vorgang aufzubauen, weil die BNF-Grammatiken an beliebiger Stelle ein Nichtterminalsymbol expandieren können. Aus Effizienzgründen sollte allerdings bei manchen Syntaxdiagrammen der Parsing-Vorgang mit einem bestimmten Symbol begonnen werden und deshalb ist dieses durch Unterstreichung besonders gekennzeichnet. Bei diesem Symbol handelt es sich nicht unbedingt um ein Nichtterminalsymbol, sondern meistens um ein Kennzeichen, das zu Beginn des Parsing-Prozesses herausgesucht wurde. Sollte dieses Symbol schon nicht einwandfrei geparst werden können, so kann der Parsing-Prozeß für dieses Konstrukt abgebrochen und mit dem nächsten Kennzeichen, falls es existiert, an einer anderen Textstelle oder dem nächsten Syntaxdiagramm fortgefahren werden.

4. Nicht explizit angegebene Produktionsregeln sind in den vorhergehenden Diagrammen schon einmal angegeben worden und dann von dort zu übernehmen.

Beispiel für ein Syntaxdiagramm:

Dieses Beispielkonstrukt <xy> kann folgende Zeichen parsen:

Nach dem Parsing-Vorgang werden dann die folgenden Zeichenketten zurückgeschrieben:

Die formale Beschreibung in BNF-Form für die folgenden Syntaxdiagramme lautet:

Worttrenner:

Ein Worttrenner ist eine beliebig lange, nichtleere Zeichenkette aus beliebig vielen Leerstellen und maximal einem CR/LF-Paar.

Im Anhang sind die Syntaxdiagramme für die einzelnen Konstrukte ausführlich mit entsprechenden Anmerkungen angegeben. Nachfolgend sollen nur an einem Ausschnitt die Möglichkeiten verdeutlicht werden.

<geld> ::= <betrag> <einheit>
--> <ergebnis>
{<ergebnis> <= freihenfolge(<einheit>, <betrag>, BEN)}
 | <einheit> <betrag>
--> <ergebnis>
{<ergebnis> <= f reihenfolge(<einheit>, <betrag>, BEN)}

2.5 Bemerkungen zur Implementierung

Um die oben genannten Probleme überschaubar zu machen, wurden folgende Überlegungen angestellt:

2.5.1 Problemlösung

Die Lösung der Probleme gliedert sich in die folgenden Teillösungen:

2.5.1.1 Lösung der gestellten Anforderungen

Die vom Programmieraufwand her für die gestellten Anforderungen einfachste Lösung bestünde darin, ein einziges Syntaxdiagramm anzugeben, das alle Konstrukte identifizieren und korrekt nach den Satzanweisungen umsetzen kann. Dieses Syntaxdiagramm ließe sich zwar konstruieren; es wäre aber sehr ineffizient, damit zu arbeiten: Die verschiedenen Kennzeichen würden innerhalb dieses Diagramms mehrmals erscheinen, und es ließe sich nur durch ein Mehrfaches des erforderlichen Rechenaufwandes herausfinden, welche semantische und syntaktische Bedeutung dieses Kennzeichen gerade hat.

Ein Ausschnitt des Diagramms müßte demnach so aussehen:

Abb. 2.5: übergeordnetes Syntaxdiagramm
(von links nach rechts zu lesen)

In diesem vereinfachten, übergeordneten Syntaxdiagramm stellt der Teil mit den einfachen durchgehenden Linien ein Teil des Syntaxdiagramms für eine Datumsangabe und der Teil mit den punktierten Linien den Teil für ein Satzende dar. Der Punkt, der in beiden Teilen auftaucht, kann nicht nur einmal dargestellt werden, da das Diagramm dann nicht mehr eindeutig und korrekt wäre. Ob nun ein bestimmter Teil des Syntaxdiagramms als zu einem Konstrukt gehörig geparst werden darf, kann nur entschieden werden, wenn eine bestimmte Anzahl von Zeichen (Wörtern) im voraus gelesen werden ("Look-ahead"). Dies wird durch die gestrichelte Linie (".") deutlich, die den ersten (linken) Teil der punktierten Linie ("-.-") ersetzen müßte: In diesem Falle ließe sich als Datumsangabe auch der ". November" herleiten, welches aber eine nicht zulässige Angabe ist.

Wenn dieses Syntaxdiagramm schon so aufgebaut ist, daß die einzelnen Kennzeichen mehrfach vorkommen, kann dieses Diagramm auch ohne Schwierigkeiten in mehrere kontextfreie Einzelgrammatiken (s. Kap. 6.3) zerlegt werden, so daß diese dann in einer bestimmten Reihenfolge durch höherspezialisierte Parser abgearbeitet werden können. Dies wird durch die Tatsache, daß bestimmte Kennzeichen, wie z.B. ".", "," und Zahlen, schon mit Angabe der Wortnummer als PROLOG-Fakten (s. Kap. 3.3.9: Struktur des Textspeichers) vorhanden sind, sehr vereinfacht.

Die auftretende Problematik der gegenseitigen Beeinflussung muß allerdings behoben werden: Das kann aber nur dadurch geschehen, daß die Syntaxdiagramme auf Überschneidungen durchsucht werden. Eine Überschneidung tritt auf, wenn eine Instanz eines Syntaxdiagramms für ein Konstrukt auch eine Instanz eines Syntaxdiagramms eines anderen Kontruktes enthalten kann:

Bsp.: "Der 5. Juli 1987 war ein schöner Tag."	

              ^: Satzanfang (großgeschriebenes Wort)		

            ^: Trennzeichen (" ")	

           ^: Satzzeichen (".")

Ein Satzende ist durch ein entsprechendes Symbol, gefolgt von einem großgeschriebenen Wort, gekennzeichnet. Wenn ein groß geschriebenes Wort als eine Buchstabenfolge, die mit einem Großbuchstaben beginnt, definiert wird, entstehen Probleme mit der Darstellung von Datumsangaben: z.B. 5. Juli 1987. Das heißt, daß diese Datumsangabe durch eine solche Regel als Satzende erkannt würde. Definiert man ein groß geschriebenes Wort durch einen Großbuchstaben, der von einer beliebigen Buchstabenfolge gefolgt sein kann, so bekommt man Probleme mit der Erkennung von Abkürzungen.

Abhilfe:

In unserem Beispiel muß für einen Satzende-Test bekannt sein, daß kein Datum vorliegt. Damit dieses Wissen beim Satzende-Test vorhanden ist, muß der Datumsangabe-Test vorher ausgeführt worden sein. Mit dem Test auf Datumsangaben sollten auch die Tests auf Abkürzungen vor dem Satzende-Test durchgeführt werden. Dann ist es auch möglich, den Punkt als Satzende vor dem englischen Wort "a" am Satzanfang ("A") korrekt zu identifizieren. Da alle wichtigen noch nicht abgearbeiteten Kennzeichen in einer separaten Tabelle gespeichert werden, sollten alle, sobald sie einem Konstrukt zugeordnet werden können, daraus gelöscht werden. Das führt dann dazu, daß in unserem Beispiel für einen Satzende-Test nur noch die Kennzeichen zur Verfügung stehen, bei denen es sich nicht um eine Datumsangabe handelt. Damit ist außerdem eine doppelte Zuordnung ausgeschlossen, was sich nebenbei als eine Effizienzsteigerung bemerkbar macht.

Alle vorhandenen Syntaxdiagramme müssen auf derartige Überschneidungen untersucht werden, um eine Halbordnung für eine Regelanwendungsreihenfolge zu erhalten. Es genügt für eine Reihenfolgevorschrift schon, beispielhaft zu zeigen, daß ein untergeordnetes Syntaxdiagramm auf eine Instanz des übergeordneten Syntaxdiagramms anwendbar ist.

Nach einer näheren Untersuchung erhält man folgende transitive Reihenfolgerelation:

Nach Untersuchung der Verteilung der Zeilenendesymbole müssen die Unterführungszeichen mit den zugeordneten (unterführten) Worten gekennzeichnet werden, da eine derartige Zuordnung nach der Löschung dieser Symbole nicht mehr möglich ist. Eine Löschung kann aber nicht umgangen werden, da evtl. getrennt geschriebene Kennworte (z.B. "Pro-zent", s. auch Kap. 2.2, Pkt. 2) sonst nicht erkannt werden können und somit eine korrekte Darstellung nicht gegeben ist.

Diese Tatsache führt zusätzlich zu folgender Reihenfolge:

Eine graphische Repräsentation dieser Reihenfolgerelation ließe sich folgendermaßen darstellen:

Abb. 2.6: Reihenfolgerelation
(höherliegende Einträge sind vor den darunterliegenden, verbundenen Einträgen zu testen)

2.5.1.2 Lösung der allgemeinen Probleme

Verschiedene Konstrukte (s. Kap. 2.2, Pkt. 4) können nur richtig erkannt werden, wenn diese als Tabelleneinträge vorliegen oder aber im Dialog eingelesen werden. Bei den Gedanken-, Binde- und Trennstrichen (s. Kap. 2.2, Pkt. 5) kann nur eine ausreichende Unterscheidung getroffen werden, wenn diese korrekt geschrieben worden sind. Ein Gedankenstrich muß prinzipiell als ein eigenständiges Wort aufgefaßt werden, d.h. es muß mit Trennzeichen eingerahmt werden, im Gegensatz zu Trennstrichen, die an ein Wort angehängt werden, und Bindestrichen, die zwischen zwei Wörtern stehen.

Spezielle Steuerzeichen (s. Kap. 2.2, Pkt. 7) dürfen nicht verwendet werden, da diese von einem PROLOG-Interpreter nicht eingelesen werden können. Um dennoch eine ausreichende Funktionalität zu gewährleisten, können jedoch stark vereinfachte Steuerzeichen (z.B.: "FETT_EIN" und "FETT_AUS"), die mit einer sehr großen Wahrscheinlichkeit innerhalb eines normalen Textes nicht vorkommen, verwendet werden.

2.5.1.3 Lösung der vom PROLOG-Interpreter abhängigen Probleme

Der verwendete PROLOG-Interpreter gestattet es, einzelne Terme in einem bestimmten Format (String, Charakterliste, binär, Zahlen) einzulesen. Dadurch und durch die Möglichkeit, den File-Pointer frei in einer Datei zu positionieren, kann jede beliebige Textstelle in der Datei eingelesen werden. Zusammen mit der Positionsangabe des Wortes innerhalb der Datei kann die fragliche Textstelle noch einmal als Charakterliste, die einer entsprechenden Nachbearbeitung unterzogen wird, gelesen werden. Durch diese Möglichkeit des freien Dateizugriffs lassen sich folgende Probleme lösen:

2.5.1.4 Erklärungskomponente für den Schriftsatz

Eine direkt kontextabhängige Erklärungskomponente für den Schriftsatz existiert nicht, weil die vorhandenen Parser nur dann eine Eingabemöglichkeit vorsehen, wenn es für eine Aufbereitung mehrere Möglichkeiten gibt. Die Erklärung kann demnach nur aus einem vorgefertigten Text bestehen, der auf dem Bildschirm ausgegeben wird und erläutert, nach welchen Regeln die einzelnen Konstrukte geparst und dann zurückgeschrieben werden.

2.5.2 Wissensrepräsentation für den Schriftsatz

Die Repräsentation des Wissens für den Schriftsatz befaßt sich mit der Repräsentation des Textes und der Regeln, nach denen der Text abgearbeitet wird.

2.5.2.1 Repräsentation der Regeln

Es ist empfehlenswert, die Regeln nicht in einer BNF-Form für einen allgemeinen Parser abzuspeichern: Dadurch, daß die Regelmenge für die erkennbaren Konstrukte wesentlich größer ist als die Regelmenge der auszugebenden Konstrukte, muß die normale BNF-Form noch um eine Repräsentation für die Vorher-nachher-Umsetzung erweitert werden. Da diese Umsetzung aber nicht unbedingt einheitlich gestaltet werden kann, das betrifft z.B. die Umsetzung für die Abkürzungen, ist es auch nicht ohne weiteres möglich, einen universellen Parser dafür zu entwickeln. Dieser universelle Parser müßte u.a. die Semantik berücksichtigen, die in den jeweiligen Konstrukten enthalten ist, beispielsweise in den Datumsangaben.

Es ist besser, für jedes Konstrukt einen spezialisierten und höherwertigen Parser zu entwickeln, der bei der Textverarbeitung zusätzlich noch weiterführende Aufgaben, wie z.B. eine Überführung in eine normierte Darstellungsart, übernehmen kann und eine Semantik implizit enthält. Eine Möglichkeit, den Parsing-Prozeß zu verbessern, besteht darin, nicht nur nach rechts abzuleiten (zu erweitern), wie es durch ein einmaliges Lesen des Textes geschehen würde, sondern auch nach links: Durch dieses Vorgehen kann die bereits erstellte Tabelle mit den besonderen Kennzeichen ausgenutzt werden.

2.5.2.2 Repräsentation des Textes

Die Repräsentation des Textes kann in PROLOG grundsätzlich auf drei Arten erfolgen:

Die Darstellung als Liste scheidet als Möglichkeit sofort aus, da ein effizienter Zugriff auf die einzelnen Wörter gar nicht erreicht werden kann. Durch eine hohe Rekursionstiefe tritt zudem eine große Speicherauslastung auf, die keine intensiven Berechnungen ermöglicht.

Ein Baum würde zwar einen direkten Zugriff prinzipiell erlauben, sofern keine indirekte Darstellung in Listenform gewählt wird; dieser ließe sich aber wiederum in PROLOG nur sehr ineffizient realisieren.

Bleibt nur die dritte Möglichkeit der Repräsentation als Tabelle: In dieser Tabelle werden dann alle Wörter als Tupel abgespeichert. Ein Tupel könnte dabei aus folgenden Objekten bestehen:

Eine Tupeldarstellung ist aus Gründen der einfacheren Implementierung, der leichteren Durchschaubarkeit und Formulierung der Regeln empfehlenswert.

Eine Repräsentierung als Quintupel ist aus folgenden Gründen aber nicht zu empfehlen:

Nach diesen Überlegungen erscheint die folgende Repräsentierung aus mehreren Tupeln sinnvoll:

Eine Repräsentierung als Tupel hat den Vorteil, daß ein direkter Zugriff auf die "Nachbarworte" möglich ist.

Nach einer erfolgreichen Abarbeitung der Wörter nach den Regeln den Schriftsatzes können die Wörter in eine neue Tabelle übertragen werden, die dann etwas anders aufgebaut ist:

und

Bei dieser Übertragung werden die Worte neu durchnumeriert und ihre Länge berechnet, damit der Algorithmus zur Verteilung der Zeilenenden effizienter arbeiten kann (s. Kap. 3.3.6). Außerdem wird die Position des Wortes in der Datei zur weiteren Verarbeitung nicht mehr benötigt.

Die erkannten Konstrukte werden mit der neuen Wortnummer in einer zweiten Tabelle ("stellen2") abgespeichert.

Bei der Silbentrennung und Verteilung der Zeilenenden können ebenfalls entsprechende Attribute an die betroffenen Tupel angehängt werden, die bei einer Neuformatierung dann einfach ge"kill"ed werden können:

2.5.2.3 Repräsentation anderer Daten

Neben der Repräsentation des Textes müssen für andere Tabellen auch entsprechende Repräsentierungen gewählt werden. Das gilt z.B. für folgende Fakten:

Zu 1.: Zur Repräsentation der Abkürzungseinträge sind folgende Eigenschaften notwendig: (s. auch Kap. 6.3.4)

Zu 2.: Die Repräsentation der Einträge für die Firmennamen kann ähnlich der für die Abkürzungen gehalten werden: (s. Kap. 6.3.14)

Zu 3.: Ein Eintrag muß eine Liste von Worten enthalten, die nach einem Wort mit einem Trennstrich stehen müssen, damit eine Trennung nicht aufgehoben zu werden braucht. (s. Kap. 6.3.7)

Zu 4.: Diese Einträge geben die Ausnahmen an, d.h., wenn dem Apostroph kein regelmäßiger Wortzwischenraum vorausgeht. (/Duden DT5/, S. 46; s. Kap. 6.3.16)

2.5.3 Optimierungen

Um die grundlegenden Probleme des Einlesens von Objekten zu umgehen, wird ein Präprozessor vor den eigentlichen Einlesevorgang vorgeschaltet, der bestimmte Kennzeichen, wie z.B. ".", ",", "-" und verschiedene Satzzeichen, unter bestimmten Bedingungen isoliert, d.h. in Leerzeichen einbettet oder in bestimmte Kennwörter übersetzt. Auf diese Weise werden die Zahlen und einzelnen Satzzeichen einzeln eingelesen.

Des weiteren besteht die Möglichkeit, die Performance noch auf andere Arten zu erhöhen:

2.5.4 Vorhandene Erweiterungen

Da der PROLOG-Interpreter keine Steuerzeichen einlesen kann, sollten bestimmte Kennwörter für bestimmte Zwecke reserviert werden, die dann auch für die Kommunikation mit einem Textverarbeitungsprogramm bei der Definition einer Schnittstelle wichtig werden. Für folgende Zwecke würden entsprechende Kennwörter benötigt:

Diese Kennworte sind nur nötig, falls die Implementierung in der Programmiersprache PROLOG beibehalten werden soll. Andere Möglichkeiten der Nutzung vorhandenen Wissens sollen hier noch nicht besprochen werden und bleiben den Schlußbemerkungen vorbehalten.