Komposita: warum Deutsch für ein Bedeutungsspiel schwerer ist als Englisch

Contexto und Kontexto folgen derselben Idee, sind aber nicht gleich schwer. Der Grund ist etwas, das im Deutschen so normal ist, dass es uns kaum auffällt: Wir bauen neue Wörter, indem wir alte aneinanderhängen.

Englisch schreibt fire department, also zwei Wörter. Deutsch schreibt Feuerwehr, ein Wort. Für uns Menschen ist das dasselbe. Für ein Modell, das jedes Wort als eigene Einheit behandelt, ist es ein großer Unterschied. In diesem Artikel erklären wir, warum, und was du beim Spielen daraus mitnehmen kannst.

Das Problem mit langen Wörtern

Ein klassisches Sprachmodell lernt für jede Wortform eine eigene Adresse auf der Bedeutungskarte. Es sieht Feuerwehr in vielen Texten, merkt sich die Nachbarwörter und leitet daraus die Adresse ab.

Bei häufigen Wörtern klappt das gut. Schwierig wird es bei den seltenen. Im Deutschen kann man fast unbegrenzt neue Wörter zusammensetzen. Feuerwehrhauptmann, Feuerwehreinsatzleitung, Feuerwehrschlauchtrommel: Das sind ganz normale deutsche Wörter. Trotzdem kommen sie in Texten so selten vor, dass ein Modell kaum etwas über sie lernt. Oder sie kommen gar nicht vor, dann gibt es sie für das Modell einfach nicht.

Im Englischen ist das Problem viel kleiner. Dort bestehen solche Begriffe meist aus getrennten Wörtern, die jedes für sich häufig sind.

Was fastText anders macht

fastText, das Modell hinter Kontexto, sieht ein Wort nicht nur als Ganzes. Es zerlegt es zusätzlich in kurze Buchstabenstücke. Fachleute nennen diese Stücke n-Gramme: Ausschnitte aus ein paar Buchstaben, die nebeneinanderstehen.

Aus strandkorb (intern wird alles kleingeschrieben) macht das Modell unter anderem die Stücke str, tra, ran, and, ndk, dko, kor und orb, dazu längere und kürzere Varianten. Die Adresse des Wortes setzt sich zusammen aus dem ganzen Wort und all diesen Stücken.

Das bringt zwei Vorteile. Erstens kann das Modell auch Wörtern eine Adresse geben, die es nie oder kaum gesehen hat, solange es die Bestandteile kennt. Zweitens rücken verwandte Wörter von selbst zusammen: Strandkorb, Strandbad und Sandstrand teilen das Stück stran und landen deshalb näher beieinander.

Für eine Sprache wie Deutsch ist das genau richtig. Das ist der wichtigste Grund, warum Kontexto fastText nutzt und kein Modell, das nur ganze Wörter kennt.

Wo die Buchstaben in die Irre führen

Dieselbe Technik hat eine Schattenseite, und die merkst du beim Spielen.

Die Buchstabenstücke kennen keine Bedeutung. Sie kennen nur Buchstaben. Teilen zwei Wörter viele Buchstaben, haben aber inhaltlich nichts miteinander zu tun, rücken sie trotzdem ein Stück zusammen.

Im Deutschen gibt es viele solche Fälle:

• Wachstum und Wachs haben die ersten fünf Buchstaben gemeinsam und sonst nichts.
• Ausland und Auslauf sehen sich sehr ähnlich, gehören aber in ganz andere Welten.
• Hoch steckt in Hochzeit, Hochschule, Hochwasser und Hochdruck, und die haben untereinander kaum etwas zu tun.
• Verkehr und verkehrt sehen fast gleich aus und meinen etwas völlig anderes.

Für dich heißt das: Ein überraschend guter Rang zeigt nicht immer die richtige Bedeutung an. Manchmal liegt er nur an den Buchstaben. Suchst du ein Wort rund ums Bauen und Wachstum landet im Mittelfeld, ist das vielleicht kein Hinweis auf Pflanzen, sondern nur ein Zufall der Buchstaben.

So erkennst du den Unterschied

Es gibt einen einfachen Test. Bekommt ein Wort einen auffällig guten Rang, probier ein Wort mit derselben Bedeutung, aber ganz anderer Schreibweise.

Ein Beispiel: Fahrrad landet auf Rang 210. Liegt das an der Bedeutung oder an den Buchstaben? Gib Velo oder Zweirad ein. Liegen die auch weit vorne, stimmt das Thema wirklich. Bleiben sie weit hinten, während Fahrrad vorne liegt, hat vermutlich die Schreibweise geholfen und nicht der Inhalt.

Andersherum gilt auch: Schneidet ein Wort schlecht ab, das eigentlich passen müsste, schau, ob es ein sehr langes oder seltenes zusammengesetztes Wort ist. Je seltener ein Wort, desto mehr hängt seine Adresse an den Buchstabenstücken, und desto ungenauer ist sie.

Was du beim Spielen daraus machst

Daraus ergeben sich drei einfache Gewohnheiten:

Teil lange Wörter auf. Statt Fahrradreparaturset probier Fahrrad, Reparatur und Werkzeug einzeln. Kurze, häufige Wörter haben verlässlichere Adressen, weil das Modell sie oft gesehen hat.

Beurteile ein Thema nie nach einem einzigen langen Wort. Ein schlechter Rang für Gartenzaun sagt wenig darüber, ob das geheime Wort mit Gärten zu tun hat. Schlechte Ränge für Garten, Pflanze und Beet zusammen sagen dagegen sehr viel.

Wechsle die Wortart. Im Deutschen gibt es Wortfamilien wie Kälte, kalt, frieren und Frost. Diese vier sehen unterschiedlich aus und stehen in unterschiedlichen Sätzen. Steckt eins fest, springt oft ein anderes deutlich nach vorne. Wie du das ganz gezielt machst, steht in Semantische Wortfelder.

Warum Deutsch hier grundsätzlich schwerer ist

Ein direkter Vergleich mit dem Englischen erklärt das ganze Problem.

Englisch bildet zusammengesetzte Begriffe meist aus mehreren Wörtern: kitchen table, table tennis, water bottle. Für ein Modell sind das jeweils zwei bekannte Wörter. Deutsch schreibt zusammen: Küchentisch, Tischtennis, Wasserflasche. Jede dieser Zusammensetzungen ist ein eigenes Wort, das das Modell einzeln lernen müsste.

Und davon gibt es unendlich viele. Im Deutschen kann man aus zwei beliebigen Hauptwörtern ein drittes bilden, und wir tun das ständig, ohne dass diese Wörter je in einem Wörterbuch landen. Kaffeetassenrand versteht jeder, aber es steht in keinem Text oft genug, damit ein Modell es sicher einordnen kann.

Genau dafür ist die Zerlegung in Buchstabenstücke gemacht. Im Deutschen ist sie keine nette Zugabe, sondern die Voraussetzung dafür, dass ein Bedeutungsspiel überhaupt funktioniert. Ohne sie wäre ein großer Teil aller Eingaben einfach unbekannt.

Was das für die Lösungswörter bedeutet

Aus einem ähnlichen Grund sind zusammengesetzte Wörter als Tageslösung schwierig. Das liegt hier nicht an der Technik, sondern an der Suche.

Ein zusammengesetztes geheimes Wort hat zwei Anker. Findest du bei Küchentisch das Thema Küche, kommst du gut voran, aber nie ganz nach vorne, weil die Tisch-Hälfte fehlt. Findest du das Thema Möbel, hast du dasselbe Problem andersherum. Beide Wege bleiben irgendwann stecken. Das fühlt sich an wie ein falsches Thema, obwohl es das halbe richtige ist.

Für dich heißt das umgekehrt: Liegen zwei ganz verschiedene Themen beide ordentlich, zum Beispiel Küche bei 180 und Möbel bei 240, und keins davon wird besser, dann ist das ein starker Hinweis auf ein zusammengesetztes Wort aus genau diesen beiden Bereichen. Das kommt selten vor. Wenn es aber vorkommt, ist es ziemlich eindeutig.

Der Gegentest in der Praxis

Der Test, ob ein guter Rang von der Bedeutung oder von den Buchstaben kommt, lohnt sich als feste Gewohnheit. Er kostet dich nur einen Versuch.

Nimm dein gutes Wort und such eins, das dasselbe bedeutet, aber möglichst andere Buchstaben hat. Zu Fahrrad etwa Velo oder Drahtesel, zu Auto etwa Wagen, zu Arzt etwa Mediziner. Liegt das zweite Wort ähnlich gut, war der Treffer echt. Fällt es deutlich ab, lag der erste Rang an der Schreibweise, und dieses Thema führt dich eher in eine Sackgasse.

Auch die Wortliste ist betroffen

Zusammengesetzte Wörter beeinflussen nicht nur die Ränge, sondern auch, welche Wörter Kontexto überhaupt kennt. Das Spiel nimmt 80.000 Wörter an. Diese Grenze ist so gewählt, dass gebräuchliche Zusammensetzungen hineinpassen. Trotzdem endet jede Liste irgendwo, und im Deutschen endet sie mitten in einer unendlichen Menge möglicher Wörter. Welche Wörter das betrifft, steht in Wörter, die Kontexto nicht kennt.

Als Lösungswort lassen wir zusammengesetzte Wörter übrigens nur bis 15 Buchstaben zu. Längere wären nicht mehr fair zu erraten, weil es zu viele mögliche Kombinationen gibt. Wie wir die Lösungen auswählen, beschreibt Wie das Lösungswort entsteht.