Related-Work.tex

%!TEX root = Ausarbeitung-Thoma.tex
Sowohl das Problem der Knotenklassifikation, als auch das der
Textklassifikation, wurde bereits in verschiedenen Kontexten analysiert. Jedoch
scheinen bisher entweder nur die Struktur des zugrundeliegenden Graphen oder
nur Eigenschaften der Texte verwendet worden zu sein.

So werden in \cite{bhagat,szummer} unter anderem Verfahren zur
Knotenklassifikation beschrieben, die wie der in \cite{aggarwal2011}
vorgestellte DYCOS-Algorithmus, um den es in dieser Ausarbeitung geht, auch auf
Random Walks basieren.

Obwohl es auch zur Textklassifikation einige Paper gibt
\cite{Zhu02learningfrom,Jiang2010302}, geht doch keines davon auf den
Spezialfall der Textklassifikation mit einem zugrundeliegenden Graphen ein.

Die vorgestellten Methoden zur Textklassifikation variieren außerdem sehr
stark. Es gibt Verfahren, die auf dem bag-of-words-Modell basieren
\cite{Ko:2012:STW:2348283.2348453} wie es auch im DYCOS-Algorithmus verwendet
wird. Aber es gibt auch Verfahren, die auf dem
Expectation-Maximization-Algorithmus basieren \cite{Nigam99textclassification}
oder Support Vector
Machines nutzen \cite{Joachims98textcategorization}.

Es wäre also gut Vorstellbar, die Art und Weise wie die Texte in die
Klassifikation des DYCOS-Algorithmus einfließen zu variieren. Allerdings ist
dabei darauf hinzuweisen, dass die im Folgenden vorgestellte Verwendung der
Texte sowohl einfach zu implementieren ist und nur lineare Vorverarbeitungszeit
in Anzahl der Wörter des Textes hat, als auch es erlaubt einzelne Knoten zu
klassifizieren, wobei der Graph nur lokal um den zu klassifizierenden Knoten
betrachten werden muss.