Alles was Du zu Entitäts-Typen, -Klassen & Attributen wissen solltest

Es gibt nur wenige Informationen zu den wichtigen Elementen des Google Knowledge Graph wie Entitäts-Typen, -Klassen und -Attributen und Analyse der Beziehungen zwischen diesen Elementen. Ein Grund mehr im Rahmen meiner Artikelreihe zu semantischer Suchmaschinenoptimierung darauf einzugehen.

Vom Entitäten-Katalog zum Knowledge Graph

Als Grundlage für den Knowledge Graph dienen drei Ebenen:

• Entitäten-Katalog: Hier werden alle Entitäten gespeichert, die mit der Zeit identifiziert worden sind.
• Knowledge Respository: Die Entitäten werden in einem Wissens-Depot (Knowledge Repository) mit den Informationen bzw. Attributen aus den verschiedenen Quellen zusammengeführt. Im Knowledge Repository geht es in erster Linie um die Zusammenführung und Speicherung von Beschreibungen und die Bildung semantischer Klassen bzw. Gruppen in Form von Entitäts-Typen. Googles Knowledge Repository ist aktuell der Knowledge Vault.
• Knowledge Graph:  Im Knowledge Graph werden die  Entitäten mit Attributen ergänzt und Beziehungen zwischen den Entitäten hergestellt .

Quelle: Entity-Oriented Search – Krisztian Balog

Was sind Entitäts-Attribute ?

Attribute beschreiben die Eigenschaften einer Entität. In Wikidata werden diese Attribute unter Aussagen zusammengefasst. So sind dort der Entität Larry Page u.a. die folgenden Attribute zugeordnet:

• Geschlecht: männlich
• Land der Staatsangehörigkeit: Vereinigte Staaten
• Vorname: Larry
• Familienname: Page
• Bilder von Larry Page
• Geburtsdatum: 26.März 1973
• Geburtsort: East Lansing
• Ehepartner: Lucinda Southworth
• Anzahl Kinder: 2
• gesprochene oder publizierte Sprache: Englisch
• Tätigkeit: Unternehmer, Informatiker, Ingenieur
• Arbeitgeber: Google
• öffentliches Amt oder Stellung: Chief Executive Officer
• Mitglied von: American Academy of Arts an Sciences, National Academy of Engineering
• Wohnsitz: Palo Alto
• Vermögen: 30.000.000.000 US Dollar
• …

So sieht der Datensatz dann in Wikidata aus:

Im Knowledge Panel werden folgende Informationen ausgegeben:

Man sieht, dass nicht alle Informationen aus Wikidata ausgespielt werden und auch zusätzliche Infos wie aus Wikipedia ergänzt werden. Es gibt auch Unterschiede wie z.B. beim Gehalt obwohl in der Wikidata eine Fundstelle für diese Aussage hinterlegt ist. Das Attribut Ausbildung wird ausgespielt obwohl keine Fundstelle für die Verifizierung hinterlegt ist. Daraus lässt sich schließen, dass die Platzierung der Attribute im Knowledge Panel nichts zwangsläufig etwas mit der Validierung zu tun hat.

Ein Abruf der Entität Larry Page über die Knowledge Graph API ergibt folgende Informationen:

{
„@type“: „EntitySearchResult“,
„result“: {
„@id“: „kg:/m/0gjpq„,
„name“: „Larry Page„,
„@type“: [
„Person“,
„Thing“
],
„description“: „Chief Executive Officer of Alphabet„,
„image“: {
„contentUrl“: „http://t2.gstatic.com/images?q=tbn:ANd9GcQRfAXPOVZYYyTQXdos1xYsjQx6Q6MbR4GRc9lzreCuMHevp1NT“,
„url“: „https://commons.wikimedia.org/wiki/File:Larry_Page_laughs.jpg„
},
„url“: „http://www.google.com/corporate/execs.html„
},
„resultScore“: 676.908813
},

Nur der Name, die Description, die Knowledge Graph ID, eine Bild-Quelle und Link zu einer offiziellen Google Quelle werden angegeben.

Der resultscore stellt die Nähe bzw. die Übereinstimmung der jeweiligen Entität mit der Suchanfrage in der Knowledge Graph API dar und entscheidet bei mehrdeutigen Entitäts-Namen welches Knowledge Panel priorisiert ausgeliefert wird bei Entitäts-bezogenen Suchanfragen. So gibt es auch eine Entität Larry Page, die einen Sänger repräsentiert. Diese hat aber nur einen niedrigeren resultscore.

Was sind die Quellen für die Attribute?

Die Informationen zu den Entitäten und deren Beziehungen untereinander kann Google  aus folgenden Quellen beziehen:

Datenquellen für den Knowledge Graph

Quellen für unstrukturierte Daten

Quellen aus denen Google theoretische unstrukturierte Informationen zu Entitäten extrahieren kann sind

• Normale Web-Seiten via Crawling
• Suchanfragen
• unstrukturierte Datenbanken und Datensets

Dabei spielt der Knowledge Vault eine besondere Rolle. Dazu in einem Folgebeitrag mehr.

Quellen für semistrukturierte Daten

Semistrukturierte Informationen kann Google aus Enzyklopädien wie z.B. Wikipedia, die eine systematische Struktur besitzen. Dazu gehe ich in einem Folgebeitrag detaillierter ein.

Quellen für strukturierte Daten

Über semantische Datenbanken und Datensets kann Google strukturierte Daten direkt z.B. via API übernehmen und für den Knowledge Graph nutzen. Folgende Datenbanken sind dafür möglich:

• Wikidata (ehemals Freebase)
• Google My Business
• CIA World Factbook
• DBpedia
• YAGO
• Webseiten mit strukturierten Daten via Microdata, RDFa und JSON-LD
• Lizensierte Daten
• CIA World Factbook
• Datensets
  • ClueWeb09 bis ClueWeb12
  • Common Crawl
  • KBA Stream Corpus

Die Verarbeitung von strukturierten Daten für den Knowledge Graph

Die Anlaufstelle Nummer Eins für Google um Informationen zu Entitäten zu bekommen  sind Quellen über die sie strukturierte Daten bereitgestellt werden.

In diesem Beitrag werde ich mich nur mit dieser Art von Datenquellen beschäftigen. Auf die weitaus komplexere Methodik unstrukturierte Daten und semistrukturierte Daten wie z.B. aus der Wikipedia zu extrahieren werde ich in Folgebeiträgen eingehen.

Die strukturierten Daten kann Google über das Resource Description Framework kurz RDF erfassen. Eine Enität ist eine Zusammenfassung verschiedener RDF-Statements nach dem Muster Objekt-Prädikat-Subjekt. Ein Statement wäre z.B. „Canberra ist die Hauptstadt von Australien.“

Man kann diesen Zusammenhang auch grammatikalisch so darstellen. Canberra ist das Objekt, Australien das Subjekt und (ist die)Hauptstadt ist das Prädikat. Die Beziehungsart kann aber auch durch ein Verb beschrieben werden wie „Thomas Müller spielt für Bayern München.“ Objekt und Subjekt sind demnach immer Entitäten. Das Prädikat kann ein Entitäts-Typ oder -Klasse, ein Attribut ein Verb oder eine Kombination aus allen sein.

Die meisten strukturierten Datenbanken stellen die Informationen im maschinenlesbaren RDF-Format zur Verfügung bzw. lassen eine Übersetzung in dieses Format zu. Google greift auf Datenbanken zu, in die sie Vertrauen haben wie z.B. Wikidata, CIA World Factbook …, strukturierte Datensets oder Übersetzungs-Datenbanken wie z.B. DBpedia oder YAGO, die die Informationen der Wikipedia in maschinenlesbare Daten übersetzen.

Da die Datenbanken und Datensets mit strukturierten Daten verhältnismäßig nur sehr langsam wachsen und aktualisieren wundert es nicht, dass Google Webmaster immer wieder dazu animiert mit strukturierten Daten in ihren Websites zu arbeiten. Je mehr Google strukturierte Daten sammelt und verarbeitet, desto näher kommen sie dem Ziel auch unstrukturierte Daten verarbeiten zu können. Die strukturierten Daten funktionieren als Trainingsdaten für das maschinelle Lernen.

Dazu mehr in meinem Beitrag Warum strukturierte Daten für Google zukünftig überflüssig werden könnten.

Was sind Entitäts-Typen und Entitäts-Klassen?

In verschiedenen Google-Patenten findet man die Begriffe Entitäts-Typen und Entitäts-Klassen. Bestimmte Entitäts-Typen und Entitäts-Klassen haben ein ähnliche Zusammenstellung von Attributen und bilden damit eine Gruppe. Z.B. können dem Entität-Klasse „Person“ oder „Mensch“ immer Attribute wie Geburtsort, Wohnort, Geburtsdatum … zugeordnet werden. Dadurch ist der Entitätstyp klar definiert.

Ein Entitäts-Typ und eine Entitäts-Klasse beschreibe eine Gruppe von Entitäten, die über ähnliche Attribute beschrieben werden können. Im obigen Beispiel von Larry Page könnte ein Entitätstyp CEO oder Unternehmer sein.

Im dem sehr guten Buch Entity Oriented Search von Krisztian Balog findet man folgende Beschreibung für Entitäts-Typen:

Entities may be categorized into multiple entity types (or types for short). Types can also be thought of as containers (semantic categories) that group together entities with similar properties. An analogy can be made to object oriented programming, whereby an entity of a type is like an instance of a class.

Wo genau der Unterschied zwischen Entitäts-Typen und Entitäts-Klassen liegt konnte ich nicht herausfinden. Ich gehe davon aus, dass Entitäts-Klasse eine etwas gröbere Form der Gruppierung ist, während Entitäts-Typen klarer definiert sind.

Beziehung zwischen Entitäts-Klassen in Ontologien

Es gibt Datenbanken wie z.B. YAGO oder die DBpedia Ontology, die Beziehungen zwischen Entitäts-Klassen bzw. Entitäts-Typen darstellen. Bei DBpedia Ontology ist die Basis Wikipedia. In dem folgenden Auszug aus DBpedia Ontology werden Entitäts-Typen (abgerundete Rechtecke) via aufsteigenden Pfeilen mit übergeordneten Entitäts-Klassen in Beziehung gesetzt. Z.B. sind die Entitäts-Typen Athlet und Rennfahrer der Entitäts-Klasse „Person“ zugeordnet.  Typen- und Klassen-verbindende Attribute sind mit den gestrichelten Pfeilen dargestellt.

Auszug aus DBpedia Ontology; Quelle: Entity-Oriented Search – Krisztian Balog

Das Ganze stellt dann eine Ontologie dar, die die Beziehungen zwischen den Klassen,  Typen und somit auch Entitäten abbildet.

Wie relevant ist ein Attribut für eine Entität, Entitäts-Typ oder -Klasse ?

Über eine Gewichtung der Attribute je Entität kann Google zum einen feststellen wie relevant ein bestimmtes Attribut für eine Entität ist. Zum anderen könnte Google darüber auch die Relevanz der Entität für eine gestellte Suchanfrage nach diesem Attribut ermitteln.

Quellen: Google Patent US9047278B1

Das Google-Patent Identifying and ranking attributes of entities  zeigt einen Ansatz wie so etwas funktionieren könnte.

Laut diesem Patent können über die  Eingaben bestimmter Suchterm-Kombinationen Attribute Entitäten zugeordnet und gewichtet werden.

One innovative aspect of the subject matter described in this specification is embodied in methods that include the actions of: identifying queries in query data; determining, in each of the queries, (i) an entity-descriptive portion that refers to an entity and (ii) a suffix; determining a count of a number of times the one or more queries were submitted; estimating, based on the count, an entity-level count of query submissions that include the particular suffix and are considered to refer to a first entity; determining that the entity is a particular type of entity; determining a type-level count of the query submissions that include the first suffix and are estimated to refer to entities of the particular type of entity; and assigning a score to the particular suffix based on the entity-level count and the type-level count.

Über diese Methode könnte Google darüber festlegen welche Informationen zu Entitäten eines bestimmten Entitäts-Typ im Knowledge Panel angezeigt werden. Desweiteren ließe sich bei mehrdeutigen Aussagen feststellen welches Attribut das relevanteste ist. Bezogen auf das Beispiel von oben.

Hier ein Beispiel:

Larry Page ist als Unternehmer, Informatiker und Ingenieur tätig. Welche dieser drei Aussagen ist die relevanteste bzw. zutreffendste?

Je mehr Menschen nach „Larry Page Unternehmer“ suchen, desto zutreffender ist das Attribut „Unternehmer“.

Extrahieren von Informationen zu Entitäten ist Googles größte Herausforderung

Aus den Recherchen und Gedanken zu diesem Beitrag habe ich für mich mitgenommen, dass Googles größte Herausforderung bezüglich des Knowledge Graph das Extrahieren von Informationen bzw. Attributen bezüglich Entitäten sowie Entitäts-Typen und -Klassen gerade aus unstrukturierten Datenquellen ist. Der Knowledge Graph ist aktuell noch sehr lückenhaft, da die Informationen aus den genannten strukturierten Datenquellen sehr unvollständig sind, was die Gesamtmenge aller Entitäten in der realen Welt betrifft.

Deswegen möchte ich mich in den Folgebeiträgen dieser  Beitragsreihe auf das Thema Extrahieren von Informationen für den Knowledge Graph noch detaillierter auseinandersetzen.