In dieser Thesis stellen wir einen Ansatz vor, um Ontologien für eine gegebene Domäne automatisch anzupassen. Wir nutzen das Minimum Description Length Prinzip um die Übereinstimmung zwischen Ontologie und Text zu bewerten und anhand dessen geeignete Operationen zur Verfeinerung auszuwählen.

Dazu müssen wir einen Zahlwert zur Bewertung berechnen, der darauf basiert, eine Repräsentation des Textes mit Hilfe der Ontologie zu finden. Wir schlagen Einschränkungen des Suchraums vor und führen heuristische Funktionen ein, um diese Repräsentation in angemessener Zeit zu finden. Außerdem empfehlen wir Heuristiken, um Veränderungen der Ontologie zu finden, durch welche die Anpassung zwischen Text und Ontologie erhöht wird, ohne dass alle denkbaren Operationen ausprobiert werden müssen. Wir implementieren ein Framework für den Verfeinerungsprozess, welches bereits einige Verbesserungsoperationen enthält und leicht durch zusätzliche erweitert werden kann.

Sowohl die Funktionalität als auch die Korrektheit der Implementierung werden durch eine umfangreiche Reihe von Experimenten getestet. Synthetische Daten werden genutzt, um unsere Hypothesen zu bestätigen, anschließend wenden die Algorithmen dann auf echte Daten angewandt. Wir können außerdem zeigen, dass unser System auch große Korpora mit Millionen von Wörtern verarbeiten kann. Die entstehenden Ontologien werden evaluiert, wobei bekannte Metriken zum Einsatz kommen, die in der Entwicklung von Ontologien üblich sind. Die Ontologien könnten dann in allen Ontologie-basierten Verfahren in der Verarbeitung natürlicher Sprache zum Einsatz kommen.

Zusätzlich zeigen wir, wie Teile unseres Systems genutzt werden können, um Aufgaben aus der Verarbeitung natürlicher Sprache direkt zu lösen. Wir schlagen eine Methode vor, mit der die theoretischen Grundlagen unseres Ansatzes auf Klassifizierungsaufgaben übertragen werden können. Dies zeigen wir dann exemplarisch an einer Standardaufgabe, dem Ermitteln der semantischen Themen von Texten.