Komposita: warum Deutsch für ein Bedeutungsspiel schwerer ist als Englisch

Das englische Original Contexto und das deutsche Kontexto laufen auf demselben Prinzip, aber nicht auf demselben Schwierigkeitsgrad. Der Grund steckt in einer Eigenschaft des Deutschen, die im Alltag so selbstverständlich ist, dass sie kaum auffällt: Wir bauen neue Wörter, indem wir alte aneinanderhängen.

Englisch schreibt fire department, zwei Wörter. Deutsch schreibt Feuerwehr, ein Wort. Für Menschen ist das dasselbe. Für ein Modell, das Wörter als Einheiten behandelt, ist es ein grundlegender Unterschied.

Das Zerlegungsproblem

Ein klassisches Worteinbettungsmodell lernt einen Vektor pro Wortform. Es sieht Feuerwehr im Trainingstext, zählt die Kontexte, in denen es vorkommt, und leitet daraus einen Vektor ab.

Solange das Wort häufig genug ist, funktioniert das gut. Das Problem beginnt am langen Ende. Im Deutschen ist die Menge der theoretisch möglichen Wörter unbegrenzt, weil Zusammensetzung produktiv ist. Feuerwehrhauptmann, Feuerwehreinsatzleitung, Feuerwehrschlauchtrommel: Jedes davon ist ein völlig normales deutsches Wort, das dennoch im Korpus so selten vorkommt, dass ein wortbasiertes Modell keinen brauchbaren Vektor dafür lernt. Oder es kommt gar nicht vor, dann existiert es für das Modell schlicht nicht.

Im Englischen tritt dieses Problem in dieser Schärfe nicht auf, weil Zusammensetzungen dort meist aus getrennt geschriebenen, jeweils häufigen Wörtern bestehen.

Was fastText anders macht

fastText behandelt ein Wort nicht als atomare Einheit, sondern zusätzlich als Folge von Zeichen-n-Grammen. Ein n-Gramm ist einfach ein Ausschnitt von n aufeinanderfolgenden Zeichen.

Für strandkorb, denn intern wird alles kleingeschrieben verarbeitet, erzeugt das Modell unter anderem Ausschnitte wie str, tra, ran, and, ndk, dko, kor, orb und Varianten unterschiedlicher Länge. Der endgültige Wortvektor ist die Summe aus dem Vektor der ganzen Wortform und den Vektoren all dieser Teilstücke.

Der Gewinn ist doppelt. Erstens kann das Modell auch für Wörter, die es nie oder kaum gesehen hat, einen Vektor zusammensetzen, solange es die Bestandteile kennt. Zweitens teilen sich verwandte Wörter automatisch Struktur: Strandkorb, Strandbad und Sandstrand überlappen im n-Gramm stran, also ziehen sich ihre Vektoren an.

Für eine Sprache mit ausgeprägter Wortbildung ist das genau die richtige Eigenschaft. Das ist der Hauptgrund, warum Kontexto auf fastText läuft und nicht auf einem rein wortbasierten Verfahren.

Wo die Zeichenähnlichkeit in die Irre führt

Derselbe Mechanismus hat eine Schattenseite, und die trifft dich beim Spielen.

n-Gramme kennen keine Bedeutung. Sie kennen Buchstabenfolgen. Wenn zwei Wörter viele Zeichen teilen, aber inhaltlich nichts miteinander zu tun haben, dann zieht die Teilwortkomponente ihre Vektoren trotzdem ein Stück zueinander.

Deutsch ist voll von solchen Fällen:

• Wachstum und Wachs teilen fünf Zeichen am Wortanfang und haben nichts gemein.
• Ausland und Auslauf überlappen stark, gehören aber in verschiedene Welten.
• Hoch steckt in Hochzeit, Hochschule, Hochwasser und Hochdruck, die untereinander kaum verwandt sind.
• Verkehr und verkehrt sehen fast identisch aus und meinen Verschiedenes.

Praktisch bedeutet das: Ein überraschend guter Rang ist nicht immer ein Bedeutungssignal. Manchmal ist er ein Buchstabensignal. Wenn du bei einem Zielwort aus dem Themenfeld Bauen das Wort Wachstum eingibst und einen mittleren Rang siehst, ist das womöglich kein Hinweis auf Botanik, sondern ein Nebeneffekt der Zeichenüberlappung.

Woran du den Unterschied erkennst

Es gibt einen einfachen Test. Wenn ein Wort einen auffällig guten Rang bekommt, probiere ein bedeutungsgleiches Wort mit völlig anderer Schreibweise.

Beispiel: Fahrrad liefert Rang 210. Ist das Bedeutung oder Zeichenähnlichkeit? Gib Velo oder Zweirad ein. Landen die ebenfalls vorn, ist das Themenfeld echt getroffen. Bleiben sie weit hinten, während Fahrrad vorn liegt, dann hat wahrscheinlich die Zeichenfolge geholfen und nicht der Inhalt.

Umgekehrt gilt: Wenn ein Wort schlecht abschneidet, das inhaltlich passen müsste, prüfe, ob es ein sehr langes oder seltenes Kompositum ist. Je seltener das Wort, desto stärker hängt sein Vektor an den n-Grammen und desto ungenauer wird er.

Die praktische Konsequenz für dein Spiel

Aus alldem folgen drei konkrete Gewohnheiten:

Zerlege lange Wörter. Statt Fahrradreparaturset probiere Fahrrad, Reparatur und Werkzeug einzeln. Kurze, häufige Wörter haben stabilere Vektoren, weil ihr Anteil aus der vollen Wortform kommt und nicht aus zusammengestückelten Teilstücken.

Miss ein Themenfeld nie an einem einzigen Kompositum. Ein schlechter Rang für Gartenzaun sagt wenig darüber aus, ob das Zielwort mit Gärten zu tun hat. Ein schlechter Rang für Garten, Pflanze und Beet zusammen sagt sehr viel.

Wechsle die Wortart. Deutsche Wortbildung erzeugt Ketten wie Kälte, kalt, frieren, Frost. Diese vier haben unterschiedliche Zeichenprofile und unterschiedliche typische Kontexte. Wenn eines feststeckt, springt oft ein anderes deutlich nach vorne. Dieselbe Technik in systematischer Form beschreibt Semantische Wortfelder.

Warum das Deutsche hier grundsätzlich schwerer ist

Es lohnt sich, den Unterschied zum Englischen einmal in Zahlen zu fassen, weil er das ganze Problem erklärt.

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

Und die Menge ist praktisch unbegrenzt. Deutsch erlaubt es, aus zwei beliebigen Substantiven ein drittes zu bilden, und Sprecher tun das ständig, ohne dass diese Wörter je in einem Wörterbuch landen. Kaffeetassenrand ist völlig verständlich und kommt in keinem Trainingstext oft genug vor, um einen brauchbaren Vektor zu bekommen.

Genau für diese Lage ist die Zerlegung in Zeichenabschnitte gebaut. Sie ist im Deutschen kein Zusatzfeature, sondern die Voraussetzung dafür, dass ein Bedeutungsspiel überhaupt funktioniert. Ohne sie wäre ein erheblicher Teil aller Eingaben schlicht unbekannt.

Wie sich das auf die Lösungswörter auswirkt

Aus demselben Grund sind Zusammensetzungen als Tageslösung problematisch, und zwar nicht wegen der Zerlegung, sondern wegen der Suche.

Ein zusammengesetztes Zielwort hat zwei Anker. Wer bei Küchentisch das Feld Küche findet, kommt gut voran und landet doch nie ganz vorn, weil die Tisch-Hälfte fehlt. Wer das Feld Möbel findet, hat dasselbe Problem in der anderen Richtung. Beide Suchen enden in einem Plateau, das sich wie ein falsches Feld anfühlt, obwohl es das halbe richtige ist.

Für Spielende heißt das umgekehrt: Wenn zwei völlig verschiedene Felder beide ordentlich liegen, sagen wir Küche bei 180 und Möbel bei 240, ohne dass eines davon weiter nach vorn will, ist das ein starker Hinweis auf eine Zusammensetzung aus genau diesen beiden Bereichen. Diese Konstellation ist selten, aber wenn sie auftritt, ist sie ziemlich eindeutig.

Die Gegenprobe in der Praxis

Der Test, ob ein guter Rang von der Bedeutung oder von den Zeichen kommt, lohnt sich als feste Gewohnheit, weil er nur einen Zug kostet.

Nimm dein gut liegendes Wort und suche ein Wort, das dasselbe bedeutet, aber möglichst wenig gemeinsame Zeichen hat. Zu Fahrrad etwa Velo oder Drahtesel, zu Auto etwa Wagen, zu Arzt etwa Mediziner. Liegt das zweite Wort ähnlich gut, war der Treffer inhaltlich. Fällt es deutlich ab, hing der erste Rang an der Schreibweise, und das Feld ist eine Sackgasse.

Auch die Wortliste ist davon betroffen

Die Komposita-Eigenschaft wirkt nicht nur auf die Ränge, sondern auch darauf, welche Wörter Kontexto überhaupt kennt. Das ratbare Vokabular umfasst 80.000 Wörter, und diese Grenze ist bewusst so gewählt, dass gebräuchliche Zusammensetzungen hineinpassen. Trotzdem endet jede Liste irgendwo, und im Deutschen endet sie zwangsläufig mitten in einem unendlichen Raum möglicher Wörter. Welche Wörter das trifft, steht in Wörter, die Kontexto nicht kennt.

Als Lösungswort ist ein Kompositum übrigens nur bis 15 Zeichen zugelassen. Alles darüber wäre nicht mehr fair erratbar, weil die Zahl möglicher Zusammensetzungen zu groß ist. Wie die Lösungen ausgewählt werden, beschreibt Wie das Lösungswort entsteht.