CV Data

然而，该项目更进一步，除了提到的索引之外，还通过针对“流放”主题的同义词库提供了信件的主题索引。这本同义词典是根据流亡时期的信件编写的，经过仔细阅读 后，使用最合适的关键词将其内容汇总在一起，例如“家”、“经济困难”、“内心生活”、“成功”或“团结”。如果一个关键词也代表其他字母的内容，则认为该关键词与语料库相关。通过这种归纳法，逐渐建立了一个主题词库，目前包含大约 500 个关键词，并且可以进一步修改和添加。这个›流放词库‹构成了信件主题索引的基础，该索引通过半自动化过程完成。为此，首先确定每个字母的语言。该语料库包含德语、法语和英语信件——这也反映了流亡的特殊性，这种特殊性导致了部分被迫、部分自愿的语言变化。随后，每个字母被分解成其词形，并用词性标注器[12]进行处理 ，如果能够识别，则标注器会确定每个词形的词性和词形还原形式。现在，从经过处理的文本中提取所有名词

下一步，删除所有在 XML 标记过程中已经标记为人物、地点等的词元[13] 。最后，确定每个名词的逆文档频率，以便与整个语料库相比评估其在字母中的特殊性。使用现有的同义词库（例如 OpenThesaurus）和单词列表（例如Wortschatz des Deutschen) 及其存储的同义词，为每个提取的关键词生成一个选择列表，该列表建议从同义词库中分配一个可能合适的关键词：例如，将关键词›感觉‹与关键词› 阿塞拜疆电报数据 内心生活‹链接起来，或将关键词›祖国‹与关键词›家‹链接起来。但是，也存在不正确或误导性的归因建议，例如建议将关键字›谓词‹与关键字›审查‹联系起来，

或将关键字›文章‹（表示期刊出版物）与关键字›支持‹、›费用‹联系起来。因此，主题预构建之后是进一步的手动或智力工作步骤，其中考虑到各自的背景，作业建议被视为有用的而被接受或被视为不可用而被拒绝。[14]在后一种情况下，可以对主题词库的关键词进行单独分配；也可以根据关键词的发现对流亡词库进行任何必要的扩展。通过将字母与此流放同义词库中的条目链接起来，可以创建一个强大的索引内容工具。只有主题丰富了，搜索才有可能——例如，对于关键词“谨慎”——不仅返回单纯的全文搜索的纯句法匹配，而且还返回信件中的段落，例如“与此同时，对我们来说，最重要的是，你立即告诉 W 主任：他应该对所有人严格保密莉莉的生活计划。” [15]