Nieuwe zoekinterface voor WikimediaCommons

Hay Kranen bouwde een alternatief voor het zoekscherm van WikiMediaCommons dat beter functioneert en bovendien gebruiksvriendelijker is, Hay’s ‘Structured Search’.

WikiMediaCommons is de beelddatabank achter Wikipedia met ruim 60 miljoen beelden.

Je mag de beelden zelf meestal ook vrij gebruiken maar dan moet je dus wel geschikt materiaal kunnen vinden. Het probleem is dat de metadata* (de gegevens die over het beeldmateriaal zijn vastgelegd) niet eenduidig of incompleet zijn vastgelegd. Hay Kranen bouwde echter een nieuwe zoekinterface die hier verbetering in brengt en bovendien een stuk gebruikersvriendelijker is dan de originele zoekoptie van WikimediaCommons. Op woensdag 10 juni 2020 was hij te gast bij Herbert Blankensteijn in deze podcast van BNR (v.a. circa 12 minuten). In zijn nieuwsbrief ‘de Circulaire’ had Hay enkele weken eerder al over zijn initiatief geschreven.

In de zoekinterface van WikimediaCommons zelf is het bijvoorbeeld lastig om beelden vinden met metadata in een andere taal. Zoek je een boom dan vindt je dus geen foto’s die getagd zijn met ‘tree’ of ‘baum’

Hay heeft geen nieuwe zoekmachine gemaakt maar maakt gebruik van bestaande componenten en gebruikt die slim en combineert ze. Een belangrijk component is ‘’gestructureerde data” waarmee twee problemen worden aangepakt:

1. De meertaligheid zoals in het voorbeeld hierboven genoemd (boom, tree, baum)
2. De meerdere betekenissen die een woord kan hebben. Kiwi bijvoorbeeld kan slaan op een vrucht, een vogel of een inwoner van Nieuw Zeeland. Wanneer je op zoek bent naar foto’s van de vogel dan wil je die ook alleen in je zoekresultaten zien.

Bij gestructureerde data hebben daarom alle begrippen (items) een eigen unieke nummer (het Q-nummer). Deze worden door WiKidata uitgegeven, een ander Wiki project waar de Q-nummers worden beheerd (daar waar in Wikipedia de artikelen worden beheerd en audio- en beeldmateriaal in WikiMediaCommons) De vogel Kiwi heeft dan ook een ander nummer dan de vrucht.

Als een fotograaf nu een foto van een Kiwi (vogel) uploadt naar WikiMedia Commons dan kan hij of zij meteen de juiste link aanbrengen naar het ‘Kiwi’begrip (namelijk die van de vogel). Op dit moment is nog maar een paar procent van de beelden voorzien van deze gestructureerde data maar dat wordt snel beter (iedereen kan ze aanbrengen en bij nieuwe uploads wordt er actief om gevraagd). Daarna zijn de betreffende afbeeldingen een stuk beter vindbaar met behulp van het juiste zoekgereedschap, bijvoorbeeld Hay’s ‘Structured Search’: 

 

Als ik nu ‘kiwi’ in het zoekvenster typ verschijnen meteen de ‘categorieën’ waaronder het woord Kiwi beschikbaar is. Omdat ik op zoek ben naar de vogel klik ik de bovenste aan met het Q-nummer Q43642 en vervolgens krijg ik alleen maar vogels in mijn zoekresultaten.

* Beeldmateriaal zoeken gebeurt over het algemeen aan de hand van de gegevens die erover zijn vastgelegd in plaats van echte beeldherkenning. Zoek je een foto van een boom dan zoekt de zoekmachine dus niet echt naar afbeelding die de software herkent als een boom maar kijkt hij in de metadata (zoals bijvoorbeeld het veld ‘trefwoorden’). Als daar het woord ‘boom’ is ingevuld wordt het betreffende beeld in de zoekresultaten getoond. Voor meer achtergrond over metadata zie ook mijn artikelen over Keywording, Keywording deel2 of dit deel over ‘echte’ beeldherkenning.

 

‘Keywording’

Vandaag wil ik het hebben over de metadata die je aan een foto kunt meegeven om bijvoorbeeld later terugvinden te vergemakkelijken. 
De camera zelf genereert al metadata zoals sluitertijd, diafragma, datum en tijdstip van de opname. Dit is de zogenaamde EXIF data maar er is ook data die bedoeld is om ingevuld te worden door de fotograaf zelf. Dit zijn de IPTC velden. Een van de belangrijkste IPTC velden is het Keyword (trefwoord) veld omdat die zo breed gebruikt wordt en bovendien goed uitwisselbaar is tussen verschillende applicaties.

Bij het lezen van 'The DAM Book' van Peter Krogh (een echte aanrader, zie http://www.thedambook.com/ ) was ik er direct van overtuigd dat het grondig toepassen van trefwoorden de waarde van mijn fotocollectie zou (gaan) vergroten. 
Echter bleek het in de praktijk toch lastiger dan tevoren gedacht, met name het 'grondige'. Waar ik gisteren nog het begrip 'milieu' gebruikte was dat vandaag 'natuur' en het dreigde op een rommeltje uit te lopen.

Ik vond dus dat ik een consistente lijst met trefwoorden moest aanleggen volgens de principe van 'controlled vocabularies'.  Tijdens de zoektocht naar best practices kwam ik terecht op een artikel van Dan Heller die een zeer selecte toepassing van Keywords propageert. Hoewel zijn uiteenzetting mij ook weer aan het twijfelen heeft gebracht is het artikel zeer de moeite van het lezen waard: http://www.danheller.com/blog/posts/keywording-and-future-of-stock.html

'Slim' omgaan met trefwoorden:
In het kort komt het er op neer dat hij het afraadt om vervoegingen, meervoudsvormen, vertalingen en dergelijke als trefwoord op te nemen. Een intelligente zoekmachine zou deze variaties op, wat hij de 'stam' noemt, zelf moeten kunnen distilleren (niet dat dat nu al het geval is maar toch). 

Het probleem is volgens Dan 'trefwoord-vervuiling' met als gevolg vals-positieve zoekresultaten. De foto die jij of een klant zoekt komt niet boven de rest uit waardoor je hem niet zult vinden.

Een foto is bijvoorbeeld voorzien van de trefwoorden 'vrouw' en 'oude man'. Op de zoekopdracht 'oude vrouw' zal deze foto onterecht toch getoond kunnen worden omdat beide woorden voorkomen. Een vals positief resultaat dus hoewel het afhangt van de mogelijkheden van de zoekmachine om te zoeken op verschillende woordcombinaties.

Dit probleem wordt verergerd door systemen die automatisch trefwoorden aan foto's toevoegen (zoals foto stock bureaus).

De kunst van het toekennen van trefwoorden zit hem volgens Dan dan ook niet zozeer in het accuraat beschrijven van wat er zich op de afbeelding bevindt maar met name in de conceptuele begrippen zoals toekomst, geluk, e.d. omdat alleen de menselijke geest in staat is om die te koppelen aan het betreffende beeld.

Context:
Tenslotte hanteert Dan het begrip 'Contextualisatie ', dat wil zeggen dat de relatie tussen trefwoorden onderling wordt aangegeven. Momenteel is het nog vaak zo dat alle trefwoorden dezelfde 'waarde' hebben. 

Context toekennen aan trefwoorden onderling is momenteel helaas nog niet mogelijk, de syntax daarvoor ontbreekt domweg nog. 
Een notatie als oude:man zou de context tussen oude en man duidelijk maken waardoor de afbeelding niet bij een zoekopdracht oude vrouw tevoorschijn komt. Maar zoals gezegd, deze syntax ontbreek nog en wordt dus niet herkend door zoekmachines in de markt. Individuele programma's zoals Adobe Bride en Lightroom van Adobe kennen al wel 'hierarchical keywords' waarmee context tussen keywords in de afbeelding kan worden vastgelegd. 

Uitwisselbare standaarden is wat we hier eigenlijk nodig hebben.

Wordt vervolgd…