Automatic Extraction of Topic Maps based

Argumentation Trails

Marco Büchler, Lutz Maicher*, Frederik Baumgardt, Benjamin Bock*

Natural Language Processing Group, 
University of Leipzig, Germany

[mbuechler | maicher | fbaumgardt | bock]@informatik.uni­leipzig.de

Abstract.  With   argumentation   trails   we   introduce   an   approach   of   finding 

relevant associations between arbitrary terms. An argumentation trail between 
two terms  is an ordered list of co­occurrences, providing a connected path from 
the origin to the endpoint of the argumentation. Within this paper the automatic 
generation of argumentation trails is examined and assessed. Furthermore, the 
formal   representation   of   these   trails   as   Topic   Maps   is   implemented.   This 
enables   the   integration   of   argumentation   trails   with   further   background 
information to support sensemaking or other discourse enriching techniques for 
academic or political debates.

Motivation and Introduction 

Small world related research on natural language corpora, hypertext structures on the 
web or social networks like co­authorships has shown that the average path length 
between two arbitrary nodes is generally not larger than 7. The general problem is the 
discovery of the shortest path between  these nodes, especially if the edges  of the 
graph are only partially known and the distance is greater than two.
Academic or political debates are confronted with a similar problem. In a lot of 
cases there exists the supposition of a relationship between two terms of a specific 
domain,   which   are   the   origin   and   the   endpoint   of   an   argument.   But   the   closer 
connection between both is unidentified and will become the essence of a discourse. 
Our approach is the disclosure of the relevant connections between the origin and the 
endpoint of an argument. We model this relationship as a connected path of terms, 
based on co­occurrences. This path is called argumentation trail.
A   co­occurrence   is   a   directed   edge   between   two   terms  c(ti,tj)  that   is   extracted 
automatically by using (different) statistical methods. An argumentation trail  a(t1,tn) 
between two arbitrary terms t1 and tn  is an ordered list of co­occurrences, providing a 

*
Topic Maps Lab: http://www.topicmapslab.de/
2      Büchler, Maicher, Baumgardt, Bock

connected path from t1 and tn. The distance d of an argumentation trail is the number 
of co­occurrences in this list. The distance between the terms t1 and tn is the length of 
the shortest argumentation trail between them.
The   general   problem   is   the   calculation   of   the   shortest   and   most   significant 
argumentation trails between two terms. Similar to the small world example above, 
the   argumentation   trails   for   any   distances   greater   than   one   are   not   obvious.   The 
extraction of relevant argumentation trails becomes more complex as  the density of 
the co­occurrence graphs and the distance between origin and endpoint increases. To 
support  sensemaking  and   other   discourse   supporting   techniques   in   academic   and 
political   debates,   we   introduce   a   method   for   the   automatic   extraction   of 
argumentation trails.
Topic Maps are used for representing highly networked and interlinked domains. 
Furthermore Topic Maps is a semantic integration technology because each topic is a 
hub for all available information about a specific subject. Besides others, topic maps 
are   used   for  sensemaking  and  knowledge   federation  techniques.   For   these 
applications,   the   integration   of   argumentation   trails   with   further   background 
information is necessary. 
Therefore the approach presented in this paper combines the idea of the automatic 
generation of argumentation trails with the formal representation of these trails as 
topic maps. In the evaluation we assess the quality of this first proof of concept.

State of the Art

A graph is an intuitive representation of relations between words. More formally a 
graph can be expressed by G=(V,E) where as V is a set of vertices (nodes, words) and 
E a subset of edges of VxV. In Natural Language Processing (NLP) the set V of nodes 
can be comprehended as the set of a corpus' word types. The set of edges  E can be 
computed by co­occurrence analysis [Bue08, Bue09]. Typically tens or hundreds of 
million   co­occurrences   can   be   extracted.   That's   why   measures   are   necessary   for 
computing an edge's significance. In the early 1990s some basic measures like the 
mutual information [CH89] were introduced. However this measure displays some 
numerical problems for very rare co­occurrences. As a result, in 1993 an adoption of 
the   log   likelihood   measure   was   introduced   by   [Dun93]   which   can   handle   more 
infrequent events. However, most significant edges are completely distinctive. Whilst 
log   likelihood   ratio   prefers   more   frequent   co­occurrences   the   mutual   information 
computes less frequent  edges  as  more significant  [Bue08, Eve05]. That's  why log 
likelihood   ratio   is   better   for   exploration   and   understanding   a   new   domain   by 
computing more general word associations. Whereas if the domain is well­known less 
frequent information becomes more relevant for users [BB04].
One elementary feature of a graph is the small world property which describes the 
average path length between two different nodes [WS98, Bar00]. Research on small 
worlds is based on works of Milgram [Mil67]. Several evaluations and applications 
on natural language corpora, hypertext structures  on the web or co­authorships on 
 Automatic Extraction of Topic Maps based Argumentation Trails

publications   [CS01]   have   shown   that   the   average   path   length   is   very   small   and 
generally not larger than 7.
Similar to lexical chaining argumentation trails are a minimum spanning tree of 
words   having   same   or   similar   contexts   [MWW07,   MWH08].   However,   there   are 
differences   in   use   cases   and   texts.   Lexical   chaining   is   often   used   in   text 
summarisation [BCP01] or word sense disambiguation [GK03]. Thereby a stronger 
work by sliding from paragraph to paragraph [MWH08] is useful. Since ancient text 
corpora are only fragmentary achieved (caused by e. g. natural decomposition and 
conscious deletions of person names or cities) an approach working directly on a co­
occurrence graph is chosen. 

Automatic Topic Maps Generation

Topic Maps (ISO 13250), the international industry standard for semantic information 
representation and integration, is an implementation of the subject­centric modelling 1 
approach   [MB08].   A   topic   map   is   a   subject­centric   domain   model,   consisting   of 
topics, as subject proxies, and associations between them. Each topic can represent a 
set of typed names for the subject. Furthermore, occurrences allow representing typed 
properties of the subject. The associations between the topics are typed, role­based 
and n­ary. Summarised, Topic Maps provides a subject­centric modelling approach 
and a full set of basic modelling constructs, like names, occurrence and full­featured 
associations   for   convenient   domain   modelling.   For   a   more   comprehensive 
introduction into TM we refer to [AM05, Ma07a]. A topic map can be seen as a set or 
a stream of statements about subjects [LH08].
Besides the expressive and flexible modelling constructs, Topic Maps provide a 
powerful  integration model  [Ma07b, TMDM]. This integration  model  assures  that 
two topics  representing  the same subject  will  always  be merged. Technically,  the 
subject of a topic is identified by a set of URIs which are called  subject identifiers. 
Whenever two topics in a topic map have one subject identifier in common, they are 
automatically merged. Hence it is guaranteed that in a topic map there is always only 
one   information   hub   for   each   subject.   This   powerful   integration   model   is   the 
fundament for the usage of Topic Maps as integration technology. 
The subject­centric modelling approach supports the (semi­automatic) generation 
of   subject­centric   web   portals   and   other   interfaces   to   the   highly­interlinked   data 
[MB08].   Combined   with   interchange   protocols   like   TMRAP   [Ga06]   or   TMIP 
[Ba05b], these applications simultaneously feed the web of linked data [Be06].

1
  According to the Topic Maps standards a subject is “anything whatsoever, regardless of 
whether it exists or has any other specific characteristics, about which anything whatsoever  
may be asserted by any means whatsoever”  [TMDM]. Summarised, a subject is anything 
that can be a topic of conversation. Simplified, the subject­centric modelling enforces that for 
each relevant subject exactly one proxy is created within the domain model. Consequently, 
proxies become the unique information access points for all information about their subjects.
4      Büchler, Maicher, Baumgardt, Bock

In the context of the work presented in this paper, the generation of Topic Maps 
data is an important issue. The following table summarises the general categories for 
approaches of creating Topic Maps data:

generic   manual Topic Maps can explicitly be written in a text editor using an 

generation interchange format like CTM2 or XTM3. Furthermore, generic 
Topic Maps editors like Ontopoly or Topincs [Ce07] can be 
used.   Generally   the   users   need   deep   knowledge   about   the 
concepts of Topic Maps.
domain­specific,  In domain specific Topic­Maps­based portals or applications 
manual generation like   Musica   migrans   [Ma08]   or   Fuzzzy   [LK08]   the   users 
simply create  data by using web forms or other interfaces. 
The Autonomous Topic Maps approach [Ma07a] fits to this 
category,   too.   The   users   don’t   need   any   knowledge   about 
Topic Maps.
automatic  (Nearly) all data can be represented as  topic maps, so any 
generation application   might  produce   topic   maps   data  for  its   domain. 
Automatic   generation   is   implemented   by   the   approach 
presented in this paper or similar work [BM06].
transformation (Nearly) all existing data can be seen as topic map (through 
subject­centric   glasses).   Providing   Topic   Maps   views   for 
legacy  data  supports  the integration of heterogeneous  data. 
Hereby   a   differentiation   between  materialized  (ETL)   and 
non­materialized (non ETL) topic maps views is established 
[Ba04].

For the global  interoperability and usability of generated Topic Maps data two 
issues are important: (1) the domain ontology and (2) the used subject identifiers at 
type and instance level [Ma07a]. 
The domain ontology formalises the domain knowledge behind the data and can be 
used for the optimisation and generation of the data consuming applications [Bo08]. 
The ontology of the Topic Maps data created by the work presented in this paper is 
shown in Figure 2.
For the integration of the generated topic maps with other information about the 
represented subjects, adequate subject identifiers must be used at the type and, very 
important, at the instance level [Ma07b]. In the methodology section the approach for 
choosing the subject identifiers in the argumentation trails is sketched.

2
 http://www.isotopicmaps.org/ctm/
3
 http://www.topicmapslab.de/glossary/XTM
 Automatic Extraction of Topic Maps based Argumentation Trails

Methodology

Exploring argumentation trails in a semantic network is closely related to searching 
the k­shortest paths  from a source to a target node in an undirected graph ­ where the 
number of paths  k  is substituted by a maximum path length. The k­shortest paths 
problem   is   applicable   in   many   fields   and   has   been   extensively   studied,   with   the 
number of publications approaching 100. The four most widely recognized methods 
are those of Yen [Yen71], Lawler [Law72], Katoh [KIM82] and Hoffman [HP59]. 
Yen's algorithm is a naive usage of Dijkstra's shortest path algorithm, with complexity 
O(kn3), where  k  is the number of paths and n the number of nodes  in the graph. 
Lawler and Katoh improve upon Yen by compartementalization of the paths, Lawler 
by a constant factor and Katoh with complexity O(kn2). Even before Yen, Hoffman 
introduced  a different  idea  with the pre­calculation  of  shortest­path  for all  nodes, 
resulting in complexity O(kn2).
With highly data­rich environments, as described in this paper, memory constraints 
become an issue as well. Thus, of the above algorithms only Yen was feasible, but 
much too slow. Early trials  demonstrated the need for a custom­made method, as 
required by the specific problem.
Drastic reduction of the search space was necessary. In the following approach to 
explore argumentation trails with maximum length of 3, we utilise topologic attributes 
that help us reduce the actual amount of data.
Instead of searching for paths between source  s0  and target  t0  nodes, connections 
and  overlaps  between   the  neighborhoods   (  Ns  =  {s1,..,sn},  Nt  =  {t1,..,tm}  )  of both 
endpoints are being searched. For each neighbor of the source or target nodes to be 
included in an argumentation trail, it must be incident to, or part of the neighborhood 
surrounding the endpoint on the opposite side of the trail. Thus, in a Graph G=(V,E) 
we search  for nodes  v that  are  either member of both  Ns  and  Nt  (v∈Ns  ∩  Nt) or 
incident to a node in the opposite neighborhood ((v, ti)∈E for v∈Ns, or  (v,si)∈E for 
v∈Nt).

Fig. 1: Path selection on the topology of the endpoints' neighborhoods
6      Büchler, Maicher, Baumgardt, Bock

Calculations are performed within the  JUNG2  framework4, visualizations within 

the prefuse5 toolkit.
For each combination of nodes  in the co­occurrence  graph, if neither node has 
degree 0, two HashSets are built ­ each containing the incident nodes of either the 
source  or  the  target.  The  smaller  neighborhood  is   selected  and  its  incident  nodes 
compared with the HashSet of the opposite neighborhood, including source or target 
itself. If a match is found and hence an argumentation trail exists, both nodes and the 
connecting   edge   are   inserted   into   a   new   graph­structure   for   the   resulting 
argumentation   trails.  This   graph  is  then  being   completed  with  the   edges  between 
source or target and their neighborhoods. The resulting structure is a graph containing 
all argumentation trails of maximum length 3 between source and target.
For the endpoint with the lesser degree, a search on every node O(n) incident to the 
nodes in the neighborhood O(n) is performed. For a single set of paths between two 
nodes, the computational complexity is O(n2), with a very low constant factor. 
The conversion of selected argumentation trails to topic maps and the subsequent 
export into the XTM­format are carried out by a composition of the prefuse­ and the 
tinyTiM­frameworks6.   The   figure   below   summarizes   the   TMCL   schema7  of   the 
created   topic   maps.   Each   node   in   a  prefuse­graph   is   exported   as   a   topic   of   type 
Concept. The subject identifiers of these topics are  composited by the namespace 
“concept” (see footnote 8) and the correctly encoded term. Each edge between two 
nodes is exported as an association of type Argumentation Step. The frequency of a 
concept   is   exported   as   an   occurrence   “Frequency”   of   the   according   topic.   The 
significance of the relationship between two concepts is exported as an occurrence 
“Significance” of the topic which reifies the according argumentation step. Finally, an 
association between  the source and target  of the argumentation trail is created,  to 
facilitate  orientation within the topic map.  Additionally, some  metadata  about  the 
argumentation trail is added to the topic map by using the Dublin Core vocabulary as 
it is described in [Mai08].

Fig. 2: Schema (TMCL)8 of the Topic Maps export for argumentation trails

4
http://jung.sourceforge.net/
5
http://prefuse.org/
6
 http://www.topicmapslab.de/projects/tiny_TiM
7
 http://www.isotopicmaps.org/tmcl/
 Automatic Extraction of Topic Maps based Argumentation Trails

Results – Graph and argumentation trail properties

The underlying co­occurrence graph is based on a corpus of about 5.5m sentences and 
87m word tokens. A co­occurrence of the graphs shown in table 1 is significant if it 
occurs   at   least   three   times   and   has   a   minimum   log   likelihood   ratio   of   6.63.   All 
columns of table 1 labeled by 2) to 7) are different subgraphs of 1). In columns 2) to 
4)   the   minimum   word   frequency   is   2.   Additionally,   the   100,   300   and   500   most 
frequent words were excluded. Column 5 of table 1 shows a smaller subgraph only 
based on named entities. Whilst column 6 expands all named entities of column 5 by 
normalised9  equal words, column 7 works on both a normalised corpus and named 
entity list. 
Comparing the average degree of the underlying co­occurrence graph in row e) and 
the average degree of the edge reduced argumentation trail in row g) it is obvious that 
the path finding algorithm  reduces  the degree  dramatically. However,  the average 
degree of a node in the argumentation trail in column g) is significantly smaller than 
the degree of the inner nodes of an argumentation trail – h) for trails with two inner 
nodes and i) for trails with only one inner node. This is caused by a more central role 
of hubs within an argumentation trail.  
1) 2) 3) 4) 5) 6) 7)

a) 538,572 388,929 363,359 353,618 1,14 9 4 ,4 87 2,178

Graph properties

b) 57,762,474 34 ,818,138 25,615,956 21,004,538 1 5 ,4 36 126,188 152,856

c) 30,382,422 21,739,476 17,687,582 15,462,940 14 ,87 6 69,858 84,124

d) 0.53 0.62 0.69 0.74 0.9 6 0.55 0.55

e) 56.4 1 55.90 48.68 43.73 12 .9 5 15.57 38.62

> 10 8 > 10 8 > 108 > 108 361 .0 94 7.958.240 3.087.581
Argumentation

f)
trail properties

g) 15.34 9.93 7.70 6.79 7 .0 3 7.77 9.93

h) 31.34 21.08 14.33 11.45 7.0 2 10.15 12.31

i) 301.38 362.56 285.86 231.39 55 .6 6 76.06 81.86

Table 1: Some properties of argumentation trails inclusive the characteristic 
features of the underlying co­occurrence graph10 11

8
 The schema is created with the TMCL editor Onotoa (http://onotoa.topicmapslab.de/). The 
used   graphical   notation   is   a   non­normative   GTM   level   1   syntax 
(http://www.isotopicmaps.org/gtm/) ­ proposed by the Topic Maps Lab and implemented by 
Onotoa. The namespace “eaqua” must be resolved to “http://psi.eaqua.net/ontology/” and the 
namespace “concept” must be resolved to “http://psi.eaqua.net/corpora/[corpusname]/”..
9
Normalised: All letters will be made lowercase and diachritics will be removed.
10
Column labels: 1) Complete graph, 2) TOP 100 stop words and words with a frequency of 1 
are removed , 3) SW=300, min. freq=2, 4) SW=500 min. freq. 2, 5) only Named Entities 
(NE), 6) Normalised Named Entities, 7) Named Entities Normal. Corpus
11
Row labels: a) Number of nodes, b) Number of co­occurrences, c) Number of significant co­
occurrences,  d)  Percentage,  e) Average  degree,  f) Number of  trails,  g) Average  degree,  h) 
Average  degree of internal node (trail length 2),  i) Average  degree of internal node (trail 
length 3)
8      Büchler, Maicher, Baumgardt, Bock

One more result of table 1 is shown in column 5). Row d) describes the ratio of 
significant  co­occurrences  and found co­occurrences. In table cell 5d) this ratio is 
significantly larger than all other ratios. That's why the next section is reduced to this 
data set.

Use Case – argumentation trails for Classical Studies

In Classics there are many use case scenarios for argumentation trails. On the one 
hand you can use such trails for exploring new domains (e. g. new centuries)  by 
looking for the way in which different terms are related. On the other hand ancient 
texts are strongly fragmented. For those cases you can e. g. observe a person A and 
you know the context B of this fragmentary document. Using argumentation trails 
you can observe how both concepts belong together based on other texts of the same 
time frame. Furthermore, you can filter the found trails more rigorous than in figure 
3b) by using other words from the fragmentary text. As a result of this you can get a 
virtual expansion of the document's story.

Figure 3: a) Connection between two words with a low number of trails b) 
Large trail cloud between two words

Typically, one is to observe trails like in picture 3) in such graphs. From a common 
start and end point trails are to be found differing in only one node ­ 3. column in 
image 3a. The different nodes of the black and red trails of figure 3a are Krates and 
Herodot.  Looking for  both words  in the corpus  one  can find  46 sentences  which 
contain both words. The counterexample for this is shown in figure 3b. The black and 
red   trails   have   only   the   common   starting   and   ending   point.   Based   on   this   two 
completely different argumentation trail threads exist.   
 Automatic Extraction of Topic Maps based Argumentation Trails

Further Work and Conclusion

As mentioned in the introduction this paper is a proof of concept. We examined the 
feasibility   of   the   automatic   extraction   of   argumentation   trails   and   their   usage   as 
discourse enriching technique in academic or political debates. 
The  automatic  generation  has   been  identified  as  difficult.  However,  some  very 
interesting results have been  achieved and should be basis of further research. 
As shown in table 1, the number of trails needs to be reduced dramatically. This 
might   be   achieved   by   e.   g.  semantic   pre­clustering  or   by  authors   restrictions. 
Semantic pre­clustering  causes trails to be rejected if every node is part of another 
and completely different semantic cluster. In opposite of lexical chainings [MWH08] 
this   step   is   necessary   because   it's   difficult   to   build   a   reliable   “document   based 
summary” (text fragments). Author restrictions can be used to reject trails if edges of 
a trail are computed by completely different sets of authors or work. 
Furthermore,  trails containing network hubs should be weighted lower to avoid 
forging   results.   This   could   be   shown   in  table   1   as   well.   All   of   these   complexity 
reduction approaches are necessary to compute trails on more complex graphs.
In the field of visualization a stronger clustering of trails is necessary. As depicted 
in   figure   3a)   there   exist   two   almost   equal   trails   differing   only   in   two   nodes.   By 
clustering   such   trails   to   more   globally   relevant   argumentation   trail   threads,   the 
understanding of more complex trail clouds as shown in figure 3b can be done easier 
and faster.
Additionally, typing of nodes will be done by typed significant terms (e. g. literary, 
geographic or dating classifications) [BHG08]. The same holds for typing or naming 
the   edges   in   the   argumentation   trails.   Such   kinds   of   enrichment   will   additionally 
support a stronger integration to Topic Maps. Generally, the work in this paper does 
not   cover   the   problem   of   integrating   the   generated   argumentation   trails   (as   topic 
maps) with further background information in sufficient detail.

Argumentation Trails and Topic Maps

Based   on   the   historical   roots   of   Topic   Maps,   the   technology   focuses   on   the 
aggregation   of   information   to   subjects   (esp.   at   the   instance   level   like   persons, 
projects, etc.). The idea is collecting and documenting information about a subject 
from different “perspectives”, whereby contradictions are expected. The integration 
of “facts” and “discourses” about subjects is a long standing tradition in Topic Maps, 
which is today coined as sensemaking [Pa08] and knowledge federation. 
Argumentation trails support discourses, ease the creation of new hypothesis and 
open new views to the data. Combined with further background information they are 
a tool for sensemaking as discourse supporting tool in academic and political debates. 
By   using   Topic   Maps   and   adequate   subject   identifiers,   the   concepts   in   the 
argumentation   trails   can   be   (instantly)   integrated   with   other   data   or   applications 
dealing with the same subjects. 
10      Büchler, Maicher, Baumgardt, Bock

References

[AM05] Ahmed, K.; Moore, G.: An introduction to Topic Maps. In: The Architecture Journal
5, 2005.
[Ba04b] Barta, R.: Virtual and Federated Topic Maps. In: Proceedings of XML Europe,
Amsterdam (2004).
[Ba05] Barta, R.: TMIP, A RESTful Topic Maps Interaction Protocol. In: Proceedings of
Extreme Markup Languages 2005, Montréal. Online available at:
http://www.mulberrytech.com/Extreme/Proceedings/xslfo-pdf/2005/Barta01/
EML2005Barta01.pdf
[Bar00] Barabasi, A.L. et al .: Scale-free characteristics of random networks: the topology of
the World-wide web, Physica A (281)70-77, 2000
[BB04] Baroni, M.; Bisi, S.: Using cooccurrence statistics and the web to discover synonyms
in a technical language. Proceedings of LREC 2004.
[BCP01] Brunn, M., Chali Y., Pinchak C. J.: Text Summarization Using Lexical Chains. 2001
[Be06] Berners-Lee, T.: Linked Data. Online available at:
http://www.w3.org/DesignIssues/LinkedData.html (2009-02-20)
[BM06] Böhm, K.; Maicher, L.: Real-time Generation of Topic Maps from Speech Streams.
In: Proceedings of First International Workshop on Topic Maps Research and Applications
(TMRA'05), Leipzig; Springer LNAI 3873, (2006).
[Bo08b] Bock, B.: Topic-Maps-Middleware. Modellgetriebene Entwicklung kombinierbarer
domänenspezifischer Topic-Maps-Kompenenten. Diploma thesis at University of Leipzig
(2008).

[Bue08] Büchler, M.: Medusa: Performante Textstatistiken auf großen Textmengen:

Kookkurrenzanalyse in Theorie und Anwendung, Vdm Verlag Dr. Müller, 2008.
[BHG08] Büchler, M., Heyer, G., Gründer, S.: Bringing Modern Text Mining Approaches to
Two Thousand Years Old Ancient Texts, e-Humanities – an emerging discipline: Workshop in
the 4th IEEE International Conference on e-Science, 2008.
[Bue09] Büchler, M.: Medusa Release Homepage. http://www.eaqua.net/medusa/, 2005-9.
[Ce07] Cerny, R. (2007): Topincs: Topic Maps, REST and JSON. In: Maicher, L.; Sigel, A.;
Garshol, L. M. (Hrsg.): Leveraging the Semantics of Topic Maps. LNAI 4438, Springer:Berlin
(2007).
[CH89] Church, K.; Hanks, P.: Word association norms, mutual information, and
lexicography. In: ACL 1989, 76-83.
[CS01] Ferrer i Cancho, R.; Solé, R. V.: The Small-World of Human Language.
http://www.santafe.edu/sfi/publications/, 2001
[Dun93] Dunning, T. E.: Accurate Methods for the Statistics of Surprise and Coincidence. In:
Computational Linguistics, vol. 19, num. 1, pp. 61-74. 1993.
[Eve05] Evert, S.: The Statistics of Word Cooccurrences. Word Pairs and Collocations.
Institut für maschinelle Sprachverarbeitung, Universität Stuttgart, Dissertation, 2005.
 Automatic Extraction of Topic Maps based Argumentation Trails

[Ga06] Garshol, L. M.: TMRAP – Topic Maps Remote Access Protocol. In: Maicher, L.;
Park, J. (Hrsg.): Charting the Topic Maps Research and Applications Landscape. LNAI 3873,
Springer:Berlin (2006).
[GK03] Galley, M., McKeown, K.: Improving Word Sense Disambiguation in Lexical
Chaining. 2003.
[He08] Heuer, L.: Streaming Topic Maps API. In: Maicher, L.; Garshol, L. M. (eds.):
Subject-centric computing. In: Maicher, L.; Garshol, L.M.: Subject-centric computing.
Proceedings of TMRA 2008. Leipzig, (2008).
[HP59] Hoffman, W.; Parley, R.: A method for the solution of the nth best path problem.
Journal of the Association for Computing Machinery (ACM) 1959; 6:506-514.
[KIM82] Katoh, R. K.; Ibaraki, T.; Mine, H.: An efficient algorithm for k shortest simple paths.
Networks 1982; 12:411-427.
[Kle00] Kleinberg, J.: The small-world phenomenon: An algorithmic perspective. Proc. 32nd
ACM Symposium on Theory of Computing, 2000.
[Law72] Lawler, E. L.: A procedure for computing the k best solutions to discrete optimisation
problems and its application to the shortest path problem. In: Management Science, Theory
Series 1972; 18:401-405.
[LK08] Lachica, R.; Karabeg, R.: Metadata Creation in Socio-semantic Tagging Systems:
Towards Holistic Knowledge Creation and Interchange. In: Maicher, L.; Garshol, L.M.:
Scaling Topic Maps. LNAI 4999, Springer:Berlin (2008).
[Ma07a] Maicher, L.: Autonome Topic Maps. Zur dezentralen Erstellung von implizit und
explizit vernetzten Topic Maps in semantisch heterogenen Umgebungen. Doctoral thesis at
University of Leipzig (2007).
[Ma07b] Maicher, L.: The Impact of Semantic Handshakes. In: Maicher, L.; Sigel, A.; Garshol,
L. M.: Leveraging the Semantics of Topic Maps. LNAI 4438, Springer, Berlin (2007).
[Ma08] Maicher, L.: Musica migrans - Mapping the Movement of Migrant Musicians.
Presentation held at the Topic Maps User Conference 2008, Oslo. Slides available at (April 10,
2008): http://www.topicmaps.com/tm2008/maicher.pdf
[Mai08] Maicher, L.: Mapping between the Dublin Core Abstract Model DCAM and the
TMDM. In: Maicher, L.; Garshol, L.M.: Scaling Topic Maps. LNAI 4999, Springer, Berlin.
[MB08] Maicher, L.; Bock, B.: ActiveTM - The Factory for Domain-customised Portal
Engines. In: Proceedings of I-Media’08, Graz (2008).

[Mil67] Milgram, S.: The small world problem. In: Psychology Today 2, pp. 60-67, 1967.

[MWH08] Alexander Mehler, Ulrich Waltinger, and Gerhard Heyer: Towards Automatic
Content Tagging: Enhanced Web Services in Digital Libraries Using Lexical Chaining. In: 4th
International Conference on Web Information Systems and Technologies (WEBIST '08),
Funchal, Portugal , 2008
[MWW07] Mehler, A. Waltinger U. und Wegner A.: A Formal Text Representation Model
Based on Lexical Chaining. Proceedings of the KI 2007 Workshop on Learning from Non-
Vectorial Data (LNVD 2007) September 10, Osnabrück, Seiten 17–26, Osnabrück, 2007.
Universität Osnabrück.
12      Büchler, Maicher, Baumgardt, Bock

[TMDM] ISO/IEC IS 13250-2:2006: Information Technology - Document Description and

Processing Languages - Topic Maps - Data Model. International Organization for
Standardization, Geneva, Switzerland. http://www.isotopicmaps.org/sam/sam-model/

[Pa08] Park, J.: Topic Maps, Dashboards and Sensemaking. In: Maicher, L.; Garshol, L.M.:
Subject-centric computing. Proceedings of TMRA 2008. Leipzig, (2008).

[Va05] Vatant, B.: Tools for semantic interoperability : hubjects. Working Paper. Online
available at: http://www.mondeca.com/lab/bernard/hubjects.pdf

[WS98] Watts, D.J., S.H. Strogatz: Collective dynamics of ‘small-world’ networks. In: Nature
393:440-442, 1998.

[Yen71] Yen, J.Y.: Finding the k shortest loopless paths in a network. In: Management Science
1971; 17:712-716.