Canonical Text Services

CTS (Canonical Text Services) ist ein Protokoll, welches es ermöglicht, digital erhältliche Texte auf kanonische Art und Weise zu zitieren. Diese Zitation wird über URNs formalisiert, wie beispielsweise urn:cts:demo:shakespeare.sonnets:35.1, welche Shakespeares Sonnet 35 Zeile 1 spezifiziert. Weitere Beispiel-URNs sind:
urn:cts:demo:shakespeare.hamlet:1.2
urn:cts:demo:goethe.faust.de.ed1:35.1.4
urn:cts:demo:goethe.faust.en.ed4:35.1.4

URNs ermöglichen es, digital Textabschnitte auf eine Weise mit anderen Forschern global zu teilen, ohne sich dabei um korrekte Übersetzung, Auflage, Vorhandensein physischer Kopien oder ähnliche Probleme kümmern zu müssen.

Es existieren 3 Implementierungen von CTS, die unterschiedliche Techniken zur Datenspeicherung verwenden : graphbasiert, xml-basiert und sql-basiert.
Ich präsentiere die auf MySQL basierende Implementierung, welche im Rahmen des von ESF geförderten Projektes Billion Words angefertigt wurde.

Das Ziel dieser Implementierung - ein CTS mit einer Textsammlung mit 1 Milliarde Wörter aufbauen zu können - wurde erreicht und übertroffen. Dabei tritt nur ein minimaler Einfluss auf die Speicherlast des Servers auf und es ist möglich, mehrere Instanzen des CTS auf dem Server zu installieren, und so unterschiedlich konfigurierte oder auch nutzerspezifische Instanzen oder Views auf einen Datensatz anzubieten.

Beispielsweise erlauben unterschiedliche Views, dass ein Lehrer einen View verwendet und die Studenten einen anderen, der zu Trainingszwecken nur einen Ausschnitt der Daten anzeigt.
Ein weiterer Nutzen multipler Instanzen besteht in der Möglichkeit, zusätzlich und unabhängig von den CTS-Spezifikation Metainformationen (beispielsweise POS-Tags) zu den Texten anzubieten.
Diese Flexibilität ermöglicht die Einbindung von Techniken der automatischen Sprachverarbeitung in die Funktionalität, die durch CTS bereit gestellt wird, ohne dabei die Spezifikationen zu verletzen.

Dieser Vortrag beginnt mit einer Einführung in CTS und einigen Beispielen, die verdeutlichen sollen, was CTS genau ist. Dabei wird ebenfalls gezeigt, wie man CTS bereits jetzt als Zitatangabe in einer PDF nutzen kann.
Anschließend, nach einer kurzen Vorstellung der grundlegenden Idee dieser Implementierung, wird ein Vergleich der Eigenschaften der verschiedenen Implementierungen stattfinden. Dabei werden sowohl technische Details, wie Auswirkungen der verwendeten Datenspeicherung, beleuchtet, als auch Unterschiede aufgezeigt, die direkte Auswirkungen auf die Antworten haben, die ein Nutzer von dem Service erhält.

Um zu zeigen, dass unter den richtigen Umständen CTS zu mehr in der Lage ist, als es ursprünglich spezifiziert wurde, werden abschließend Usecases vorgestellt, die, obwohl sie nicht von den Spezifikationen abgedeckt sind, aus der strukturbasierten Sicht auf Texte folgen oder unkompliziert hinzugefügt werden können. Diese werden durch die Flexibilität der Implementierung und die Freiheit, die Textpassagen beliebig zu strukturieren, ermöglicht.