Coreference Resolution
Definition: Coreference Resolution ist ein Verfahren des Natural Language Processing, das alle Textausdrücke identifiziert, die auf dieselbe Entität verweisen. Pronomen, Eigennamen und Nominalphrasen werden dadurch zu einem gemeinsamen Referenten verknüpft. Ziel ist die automatische Modellierung von Textkohärenz, etwa um ’sie‘, ‚der Mann‘ oder ‚das Unternehmen‘ eindeutig aufzulösen. Damit ist Koreferenzauflösung grundlegend für maschinelles Textverständnis und KI-Systeme.
Definition: Was ist Coreference Resolution?
Coreference Resolution – auch Koreferenzauflösung genannt – beantwortet die Frage: Welche Textausdrücke verweisen auf dieselbe Entität? Das betrifft Pronomen, Eigennamen, Nominalphrasen und Umschreibungen. Stellen Sie sich einen Detektiv vor, der eine Person in einem Roman anhand von Namen, „sie“, „die Anwältin“ und „die Frau im roten Mantel“ wiedererkennt. Genau diese Zuordnungsleistung leistet das Verfahren für maschinelle Textanalyse.
Warum ist das zentral? Ohne Koreferenzauflösung bleibt Text für Computer eine Kette isolierter Wörter. Koreferenzauflösung liefert die nötige Kohärenz, um Aussagen über dieselbe Sache zu verknüpfen.
Arten der Koreferenz: Anaphern, Kataphern und mehr
Koreferenz tritt in verschiedenen Formen auf. Die bekannteste ist die Anapher, ein Rückverweis auf einen bereits eingeführten Referenten. Bei der Katapher steht der verweisende Ausdruck vor dem eingeführten Referenten. Zusätzlich können unterschiedliche Beschreibungen dieselbe Entität bezeichnen, etwa durch Synonyme oder Teil-Ganzes-Beziehungen.
Ein Beispiel: „Der Richter betrat den Saal. Er wirkte müde.“ „Der Richter“ und „Er“ sind koreferent. In einem anderen Satz kann „das Gremium“ auf eine zuvor genannte „Jury“ verweisen, obwohl die Wörter nichts gemeinsam haben.
Merke: Koreferenz verlangt keine identische Wortform. Entscheidend ist die gemeinsame Verankerung im Diskursmodell.
Die Tabelle zeigt typische Formen referierender Ausdrücke:
| Ausdruck | Beispiel | Funktion |
|---|---|---|
| Anapher | „Anna fuhr los. Sie bog rechts ab.“ | Rückverweis auf zuvor Genanntes |
| Katapher | „Er stand fest: Der Plan war riskant.“ | Vorverweis auf später Genanntes |
| Definite Nominalphrase | „Der Mann mit dem Hut“ | Identifikation durch Beschreibung |
| Namensvariation | „Merkel“ / „Angela Merkel“ | Alternative Realisierung derselben Entität |
Wie lösen Systeme Koreferenz auf?
Moderne Systeme kombinieren linguistische Heuristiken mit maschinellem Lernen. Zuerst identifizieren sie alle potenziellen Erwähnungen (Mentions), etwa per Named Entity Recognition und Part-of-Speech-Tagging. Danach bewertet ein Modell, ob zwei Erwähnungen auf dieselbe Entität zeigen. Häufig genutzte Merkmale sind:
- grammatisches Geschlecht und Numerus
- semantische Ähnlichkeit der umgebenden Kontexte
- Salienz und Distanz im Text
- integriertes Weltwissen
Transformer-basierte Architekturen lernen diese Merkmale weitgehend automatisch. Sie erzeugen für jede Erwähnung eine kontextualisierte Einbettung. Anschließend gruppiert ein Clusteralgorithmus alle zusammengehörigen Erwähnungen zu einer Entität. Genau dieser Schritt macht aus einzelnen Pronomen ein konsistentes Diskursmodell.
Warum bleibt die Auflösung anspruchsvoll?
Selbst moderne Modelle geraten an Grenzen, wenn implizites Wissen benötigt wird. Betrachten Sie: „Der Kellner brachte die Rechnung. Der Gast bezahlte.“ Ein System muss wissen, dass die Rechnung bezahlt wird und dass Gast und Kellner in einem Servicekontext verbunden sind. Oder: „Die Firma verlor den Prozess. Sie hatte Beweise zurückgehalten.“ Hier ist „Sie“ nur dann korrekt auf die Firma bezogen, wenn das System Weltwissen über Prozesse und Firmenverhalten nutzt.
Schwieriger wird es bei Brückenanaphern: „Wir betraten den Raum. Das Fenster stand offen.“ Es gibt keinen sprachlichen Rückbezug auf „Fenster“; der Leser ergänzt die Information über ein Raumschema. Solche Fälle verlangen von Algorithmen eine Kombination aus Semantik, Pragmatik und Allgemeinwissen.
Anwendungen in der Praxis
Koreferenzauflösung verbessert zahlreiche NLP-Systeme:
- Dialogsysteme erkennen, auf welche Entität sich „es“ oder „der Kunde“ bezieht.
- Automatische Zusammenfassungen bleiben konsistent, weil sie verschiedene Ausdrücke derselben Person zuordnen.
- Informationsextraktion bündelt Fakten über dieselbe Organisation.
- Wissensgraphen vermeiden Duplikate, indem sie Namensvarianten zusammenführen.
Ohne das Verfahren bliebe die Beziehung zwischen „Angela Merkel“, „sie“ und „die Kanzlerin“ unsichtbar. Coreference Resolution erzeugt also das Rückgrat für robustes maschinelles Textverständnis.
« Back to Glossary Index