Information Technology Reference
In-Depth Information
Data Mining auch überwacht lernende Netzwerke für Mustererkennung und Musterzuordnung,
Prognose und Klassifikation im weitesten Sinne verwendet (Wiedmann u. a., 2001).
Für Data Mining ist die Bildung semantischer Netze - wenn auch nicht unter diesem Begriff -
die Voraussetzung für einige Bereiche der Abhängigkeitsanalyse, Klassifikation sowie Seg-
mentation, die
nach unterschiedlichen Kriterien gebildet werden. Grundsätzlich handelt es sich
bei der Bildung semantischer Netzwerke um Netze, die anhand von (lexikalischem) Wissen als
Graphenstrukturen semantischer Relationen konstruiert werden. Das wohl bekannteste Beispiel
eines semantischen Netzes, das Hierarchiestrukturen berücksichtigt, ist von Collins und
Quillian (1969) beschrieben worden. Diese Vorgehensweise ist z. B. für die Entwicklung von
Assoziationsregeln sowie von Entscheidungsbäumen für Klassifikationen im Data Mining von
Bedeutung. Mit den konnektionistischen Ansätzen (durch neuronale Netze) wird versucht, sich
einerseits mehr den Prozessen im Gehirn zu nähern, als es durch eine einfache Darstellung
durch Graphen möglich ist, und andererseits die individuellen Unterschiede zwischen Men-
schen zu berücksichtigen.
Rosch (1973) führte nun den Begriff des „
Prototyps
“ ein, der besagt, dass für eine semantische
Kategorie ein bestimmtes Exemplar als das Typische bzw. Exemplarische betrachtet wird. Der
Prototyp steht im Zentrum einer Kategorie, atypische Exemplare hingegen liegen am Rand. Ein
sehr kleiner Hund beispielsweise, der einer besonderen Züchtung angehört wie etwa ein Peki-
nese und kaum noch Ähnlichkeiten mit einem Schäferhund aufweist, würde demnach lediglich
am Rande der Kategorie Hund erscheinen, sofern der Schäferhund als das typische Exemplar
der Kategorie Hund betrachtet wird. Das hat zur Folge, dass es im Allgemeinen reicht, den
Namen einer Kategorie zu hören, damit Menschen automatisch an das typische Exemplar den-
ken oder mit anderen typischen Exemplaren assoziieren. Der Prototyp gilt somit als Bezugs-
punkt für die Einordnung von Objekten in eine Kategorie. Man muss dabei allerdings berück-
sichtigen, dass die Bildung von Prototypen kulturabhängig ist - nicht in jeder Kultur würde ein
Schäferhund als Prototyp für „Hund“ verwendet werden. Außerdem spielen individuelle Be-
sonderheiten zusätzlich eine Rolle: Die Besitzerin eines Dackels wird ziemlich sicher diesen
als Prototyp für „Hund“ nehmen. Diese individuellen Abhängigkeiten bei der Bildung von
Prototypen sind jedoch für das unten dargestellte Modell ein Vorzug.
Da der Begriff des Prototypen in mehrfacher Hinsicht ambivalent ist und wir bei diesem me-
thodischen Vorgehen meistens auch gar nicht kognitionswissenschaftliche Probleme zu bear-
beiten haben (vgl. die beiden SEN Beispiele) haben wir den allgemeineren Begriff des Refe-
renztypen gewählt; die SOM operiert in diesem Beispiel ebenso mit Referenztypen wie das
SEN. Ähnlich wie im SEN Beispiel mit der Standortwahl fungieren hier die Referenztypen als
normative Bezugspunkte, d. h. die Referenztypen von Kunden müssen nicht unbedingt genauso
in der Realität erscheinen.
13
Da es hier darum geht, die Funktionsweise und die Grundlogik für die Modellierung mit einer
SOM zu erläutern, werden der Einfachheit halber lediglich verhaltensorientierte Kriterien von
Kunden betrachtet, mit dem Schwerpunkt auf Preisverhalten (Preisklasse, Kauf von Sonderan-
geboten) und Produktwahl (Markentreue, Markenwechsel). Dafür haben wir verschiedene
Referenztypen entwickelt, deren Definition nach unserer Einschätzung erfolgt ist; diese ist
jedoch nicht beliebig, sondern entspricht etablierten Erkenntnissen über Kundenverhalten. Für
eine bessere Übersichtlichkeit wurde zwar auf eine umfangreiche Erfassung aller möglichen
13
Für Kenner der klassischen Soziologie: Es würde sich hier auch der Begriff des „Idealtypen“
anbieten, der als methodisches Prinzip von dem großen Soziologen Max Weber bereits zu Beginn des
20. Jahrhunderts eingeführt wurde.
Search WWH ::
Custom Search