Open Access

Die vorliegende Masterarbeit analysiert die Problematiken effektiver grafischer Repräsentationen in digitalen Informationssystemen, die mit besonders hoherund dynamischer Datendichte und Datenquellen einhergehen. Anschließend an die Analyse der Problematiken erarbeitet der Autor dieser Forschungsarbeit ein konzeptuelles Modell zur Bewältigung der geschilderten Problematiken, auf Basis von semantisch beschriebenen, wiederverwendbaren grafischen Visualisierungselementen und den ebenfalls semantisch beschriebenen in die Visualisierung zu überführenden Daten. Besonders hervorzuhebende Erkenntnisse dieser Masterarbeit sind die Identifikation von Qualitätskriterien zur Zielführung einer effektiven Visualisierung gemäß der visuellenWahrnehmung des menschlichen kognitiven Systems, die Notwendigkeit zur Erweiterung der Vokabularmenge der schema.org-Ontologie zur Anwendung der identifizieren Qualitätskriterien und das Auffinden geeigneter Visualisierungselemente sowie das Zuordnen der Daten zu entsprechenden Visualisierungselementen über den Aufbau und Vergleich einer Baumstruktur für sowohl die Daten als auch die der Visualisierungselemente. Diese Forschungsarbeit ist von besonderer Relevanz für Entscheider, Projektmanager und Softwareentwickler, die digitale Informationssysteme mit einer hohen Anzahl an heterogenen Datensätzen und Datenquellen entwickeln.

In this thesis, new methods for text classification are examined and compared to the current software of the DNB. Due to technical changes in the area machine learning in recent years, improvements in text classification have been achieved. The objective is to improve the subject groups allocation of the DNB and to allow a hierarchical classification based on the DDC system. The decision was made on the HDLTex tool, as the structure of the DNB data set and the DDC system, which supports a hierarchical classification, are perfectly designed for it. The use of RNN networks on both hierarchical levels improved the current software situation. Furthermore, the approach was examined, if a combination of the predictions of the two hierarchies levels leads to an additional improvement, which, however, produced a negative result. Both beginners and experts find themselves as readers of this master's thesis in the target group again. In dieser Arbeit werden neue Verfahren zur Textklassifizierung untersucht und der aktuellen Software der DNB gegenübergestellt. Durch technische Veränderungen im Bereich Machine Learning in den letzten Jahren, konnten Verbesserungen in der Textklassifizierung erzielt werden. Dabei soll die Sachgruppenvergabe der DNB verbessert und anhand des DDC Systems eine hierarchische Klassifizierung ermöglicht werden. Die Entscheidung fiel auf das HDLTex Tool, da die Struktur des Datensatzes der DNB und das DDC System, welche eine hierarchische Klassifizierung unterstützt, perfekt darauf ausgelegt sind. Durch die Nutzung von RNN Netzen auf beiden Hierarchieebenen konnte eine Verbesserung zu der aktuellen Software erzielt werden. Weiterhin wurde der Ansatz untersucht, ob eine Kombinierung der Vorhersagen der beiden Hierarchieebenen zu einer aufbauenden Verbesserung führt, welches jedoch ein negatives Ergebnis hervorbrachte. Sowohl Anfänger als auch Experten finden sich als Leser dieser Masterarbeit in der Zielgruppe wieder.