Inhalt
Aktueller Ordner:
ARS_ExplainableAIARS_XAI_Bayes_Ger.md
---
abstract: |
Die vorliegende Arbeit erweitert die Algorithmisch Rekursive Sequenzanalyse (ARS) um Bayessche Verfahren als formales Modellierungsinstrument. Während ARS 3.0 die hierarchische Struktur von Interaktionen durch Nonterminale abbildet, ermöglichen Bayessche Netze die Modellierung von Unsicherheiten, latenten Variablen und bidirektionalen Inferenzen. Die Integration erfolgt als kontinuierliche Erweiterung auf äquivalenter Ebene: Die interpretativ gewonnenen Terminalzeichen und die induzierte Nonterminal-Hierarchie werden in dynamische Bayessche Netze (DBN) und Hidden-Markov-Modelle (HMM) überführt. Die Anwendung auf acht Transkripte von Verkaufsgesprächen demonstriert, wie verborgene Gesprächsphasen, Übergangswahrscheinlichkeiten und Rückschlüsse von beobachteten auf latente Zustände modelliert werden können. Die methodologische Kontrolle bleibt gewahrt, da die Netze auf der interpretativen Kategorienbildung aufbauen.
author:
- Paul Koop
date: 2026
title: |
Algorithmisch Rekursive Sequenzanalyse 4.0\
Integration Bayesscher Verfahren zur probabilistischen\
Modellierung von Verkaufsgesprächen
---
Einleitung: Von der Grammatik zum probabilistischen Modell
Die ARS 3.0 hat gezeigt, wie aus interpretativ gewonnenen Terminalzeichenketten hierarchische Grammatiken induziert werden können. Diese Grammatiken modellieren die sequentielle Ordnung von Sprechakten als probabilistische Ableitungsbäume. Sie erfassen jedoch nicht alle Aspekte natürlicher Interaktion:
- Unsicherheit: Die Interpretation von Äußerungen ist mit Unsicherheit behaftet -- dieselbe Äußerung kann unterschiedliche Funktionen haben.
- Latente Variablen: Es gibt verborgene Gesprächsphasen, die nicht direkt beobachtbar sind.
- Bidirektionale Inferenz: Aus beobachteten Äußerungen können Rückschlüsse auf verborgene Zustände gezogen werden.
Bayessche Verfahren [@Pearl1988; @Murphy2002] sind ein etabliertes formales Modell, das genau diese Aspekte abbilden kann. Sie basieren auf:
- Bedingte Wahrscheinlichkeiten: $P(A|B)$ für Abhängigkeiten
- Latente Variablen: Nicht direkt beobachtbare Zustände
- Bayessche Inferenz: $P(H|D) = \frac{P(D|H)P(H)}{P(D)}$ für Rückschlüsse von Daten auf Hypothesen
Die vorliegende Arbeit entwickelt eine systematische Überführung der ARS-3.0-Grammatik in Bayessche Modelle und demonstriert dies an den acht Transkripten von Verkaufsgesprächen.
Theoretische Grundlagen
Bayessche Netze
Ein Bayessches Netz ist ein gerichteter azyklischer Graph (DAG), dessen Knoten Zufallsvariablen repräsentieren und dessen Kanten probabilistische Abhängigkeiten darstellen. Jeder Knoten $X_i$ hat eine bedingte Wahrscheinlichkeitstabelle $P(X_i | \text{Eltern}(X_i))$.
Die gemeinsame Verteilung aller Variablen faktorisiert als:
$$P(X_1, \ldots, X_n) = \prod_{i=1}^n P(X_i | \text{Eltern}(X_i))$$
Dynamische Bayessche Netze
Dynamische Bayessche Netze (DBN) [@Murphy2002] erweitern Bayessche Netze um eine Zeitkomponente. Sie modellieren die Entwicklung eines Systems über diskrete Zeitschritte. Ein DBN besteht aus:
- Einem Anfangsnetz: $P(Z_1)$ für den ersten Zeitschritt
- Einem Übergangsnetz: $P(Z_t | Z_{t-1})$ für die Dynamik
- Einem Beobachtungsnetz: $P(X_t | Z_t)$ für die Emissionen
Für die Modellierung von Verkaufsgesprächen sind DBN besonders geeignet, da sie verborgene Gesprächsphasen ($Z_t$) und beobachtbare Äußerungen ($X_t$) unterscheiden können.
Hidden-Markov-Modelle
Hidden-Markov-Modelle (HMM) [@Rabiner1989] sind ein Spezialfall von DBN mit diskreten Zuständen und Markov-Eigenschaft erster Ordnung:
$$P(Z_t | Z_{1:t-1}) = P(Z_t | Z_{t-1})$$ $$P(X_t | Z_{1:t}, X_{1:t-1}) = P(X_t | Z_t)$$
Ein HMM wird definiert durch:
- Startwahrscheinlichkeiten: $\pi_i = P(Z_1 = i)$
- Übergangswahrscheinlichkeiten: $a_{ij} = P(Z_t = j | Z_{t-1} = i)$
- Emissionswahrscheinlichkeiten: $b_i(k) = P(X_t = k | Z_t = i)$
Methodik: Von ARS 3.0 zu Bayesschen Modellen
Überführung der Terminalzeichen
Die Terminalzeichen der ARS 3.0 werden als beobachtbare Variablen $X_t$ modelliert:
::: {#tab:mapping_terminal_bayes}
Terminalzeichen Bedeutung Variable
--------------------- -------------------------- --------------
KBG Kunden-Gruß $X_t = 1$
VBG Verkäufer-Gruß $X_t = 2$
KBBd Kunden-Bedarf $X_t = 3$
VBBd Verkäufer-Nachfrage $X_t = 4$
KBA Kunden-Antwort $X_t = 5$
VBA Verkäufer-Reaktion $X_t = 6$
KAE Kunden-Erkundigung $X_t = 7$
VAE Verkäufer-Auskunft $X_t = 8$
KAA Kunden-Abschluss $X_t = 9$
VAA Verkäufer-Abschluss $X_t = 10$
KAV Kunden-Verabschiedung $X_t = 11$
VAV Verkäufer-Verabschiedung $X_t = 12$
: Mapping von Terminalzeichen zu beobachtbaren Variablen
:::
Modellierung latenter Variablen
Die Nonterminale der ARS 3.0 werden als latente Zustandsvariablen $Z_t$ modelliert, die die verborgene Gesprächsphase repräsentieren:
::: {#tab:latent_states}
Zustand Bedeutung Typische Terminalzeichen
------------- ------------------- ------------------------------
$Z_t = 1$ Begrüßung KBG, VBG
$Z_t = 2$ Bedarfsermittlung KBBd, VBBd
$Z_t = 3$ Beratung KBA, VBA, KAE, VAE
$Z_t = 4$ Abschluss KAA, VAA
$Z_t = 5$ Verabschiedung KAV, VAV
: Latente Zustände für Verkaufsgespräche
:::
Parameter aus ARS-3.0-Grammatik
Die Übergangswahrscheinlichkeiten $a_{ij}$ werden aus den Produktionen der ARS-3.0-Grammatik abgeleitet:
$$a_{ij} = P(Z_t = j | Z_{t-1} = i) = \frac{\text{Anzahl Übergänge von i zu j}}{\text{Anzahl Übergänge von i}}$$
Die Emissionswahrscheinlichkeiten $b_i(k)$ werden aus der relativen Häufigkeit der Terminalzeichen in jedem Zustand berechnet:
$$b_i(k) = P(X_t = k | Z_t = i) = \frac{\text{Anzahl von k in Zustand i}}{\text{Anzahl aller Symbole in Zustand i}}$$
Bayessche Inferenz
Mit dem trainierten Modell können verschiedene Inferenzaufgaben gelöst werden:
1. Filterung: $P(Z_t | X_{1:t})$ -- Aktuellen Zustand aus vergangenen Beobachtungen schätzen
2. Glättung: $P(Z_t | X_{1:T})$ -- Zustand zu Zeit t aus allen Beobachtungen schätzen
3. Vorhersage: $P(X_{t+1} | X_{1:t})$ -- Nächste Äußerung vorhersagen
4. Dekodierung: $\arg\max_{Z_{1:T}} P(Z_{1:T} | X_{1:T})$ -- Wahrscheinlichste Zustandssequenz (Viterbi)
Implementierung
Die Implementierung erfolgt in Python mit der Bibliothek 'pgmpy' (Probabilistic Graphical Models) und 'hmmlearn' (Hidden Markov Models).
"""
Bayessche Verfahren für ARS 4.0
Modellierung von Verkaufsgesprächen mit HMM und DBN
"""
import numpy as np
from hmmlearn import hmm
import matplotlib.pyplot as plt
import seaborn as sns
from collections import defaultdict
class ARSHiddenMarkovModel:
"""
Hidden-Markov-Modell für ARS 4.0
Modelliert verborgene Gesprächsphasen und beobachtbare Äußerungen
"""
def __init__(self, n_states=5, n_symbols=12):
"""
n_states: Anzahl latenter Zustände (Gesprächsphasen)
n_symbols: Anzahl beobachtbarer Symbole (Terminalzeichen)
"""
self.n_states = n_states
self.n_symbols = n_symbols
self.model = None
# Zustandsbedeutungen
self.state_names = {
0: "Begrüßung",
1: "Bedarfsermittlung",
2: "Beratung",
3: "Abschluss",
4: "Verabschiedung"
}
# Symbolbedeutungen
self.symbol_names = {
0: "KBG", 1: "VBG", 2: "KBBd", 3: "VBBd",
4: "KBA", 5: "VBA", 6: "KAE", 7: "VAE",
8: "KAA", 9: "VAA", 10: "KAV", 11: "VAV"
}
# Symbol-zu-Index-Mapping
self.symbol_to_idx = {v: k for k, v in self.symbol_names.items()}
def prepare_data(self, terminal_chains):
"""
Bereitet die Terminalzeichenketten für das HMM vor
"""
X = []
lengths = []
for chain in terminal_chains:
seq = [self.symbol_to_idx[sym] for sym in chain]
X.extend(seq)
lengths.append(len(seq))
return np.array(X).reshape(-1, 1), np.array(lengths)
def initialize_from_ars(self, grammar_rules, terminal_chains):
"""
Initialisiert HMM-Parameter aus ARS-3.0-Grammatik
"""
print("\n=== Initialisiere HMM aus ARS-3.0-Daten ===")
# 1. Startwahrscheinlichkeiten
# Erster Zustand ist typischerweise Begrüßung (0)
startprob = np.zeros(self.n_states)
startprob[0] = 0.7 # Begrüßung
startprob[1] = 0.2 # Bedarfsermittlung (falls direkt)
startprob[4] = 0.1 # Verabschiedung (falls reinkommend)
# 2. Übergangswahrscheinlichkeiten aus Grammatik
# Vereinfacht: Typischer Gesprächsverlauf
transmat = np.zeros((self.n_states, self.n_states))
# Begrüßung -> Bedarfsermittlung
transmat[0, 1] = 0.8
transmat[0, 0] = 0.2
# Bedarfsermittlung -> Beratung oder Abschluss
transmat[1, 2] = 0.6 # Beratung
transmat[1, 3] = 0.3 # Direkter Abschluss
transmat[1, 1] = 0.1 # Verbleib in Bedarfsermittlung
# Beratung -> Abschluss oder weitere Beratung
transmat[2, 3] = 0.5 # Abschluss
transmat[2, 2] = 0.4 # Weitere Beratung
transmat[2, 1] = 0.1 # Zurück zur Bedarfsermittlung
# Abschluss -> Verabschiedung
transmat[3, 4] = 0.9
transmat[3, 3] = 0.1
# Verabschiedung -> Ende (selbst-Schleife)
transmat[4, 4] = 1.0
# 3. Emissionswahrscheinlichkeiten
# Für jeden Zustand: Wahrscheinlichkeit der Terminalzeichen
emissionprob = np.zeros((self.n_states, self.n_symbols))
# Zustand 0: Begrüßung
emissionprob[0, 0] = 0.5 # KBG
emissionprob[0, 1] = 0.5 # VBG
# Zustand 1: Bedarfsermittlung
emissionprob[1, 2] = 0.4 # KBBd
emissionprob[1, 3] = 0.4 # VBBd
emissionprob[1, 4] = 0.1 # KBA
emissionprob[1, 5] = 0.1 # VBA
# Zustand 2: Beratung
emissionprob[2, 4] = 0.2 # KBA
emissionprob[2, 5] = 0.2 # VBA
emissionprob[2, 6] = 0.3 # KAE
emissionprob[2, 7] = 0.3 # VAE
# Zustand 3: Abschluss
emissionprob[3, 8] = 0.4 # KAA
emissionprob[3, 9] = 0.4 # VAA
emissionprob[3, 2] = 0.1 # KBBd (Nachfragen)
emissionprob[3, 3] = 0.1 # VBBd
# Zustand 4: Verabschiedung
emissionprob[4, 10] = 0.5 # KAV
emissionprob[4, 11] = 0.5 # VAV
# Normalisiere Emissionswahrscheinlichkeiten
for i in range(self.n_states):
emissionprob[i] = emissionprob[i] / emissionprob[i].sum()
# Erstelle HMM
self.model = hmm.MultinomialHMM(
n_components=self.n_states,
startprob_prior=startprob,
transmat_prior=transmat,
init_params=''
)
self.model.startprob_ = startprob
self.model.transmat_ = transmat
self.model.emissionprob_ = emissionprob
print(f"HMM initialisiert: {self.n_states} Zustände, {self.n_symbols} Symbole")
self.print_parameters()
return self.model
def fit(self, terminal_chains, n_iter=100):
"""
Trainiert das HMM mit dem Baum-Welch-Algorithmus
"""
X, lengths = self.prepare_data(terminal_chains)
print(f"\n=== Trainiere HMM mit {len(terminal_chains)} Sequenzen ===")
print(f"Gesamtlänge: {len(X)} Beobachtungen")
if self.model is None:
# Zufällige Initialisierung
self.model = hmm.MultinomialHMM(
n_components=self.n_states,
n_iter=n_iter,
tol=0.01,
random_state=42
)
self.model.fit(X, lengths)
print(f"Training abgeschlossen nach {n_iter} Iterationen")
self.print_parameters()
return self.model
def print_parameters(self):
"""
Gibt die Modellparameter aus
"""
if self.model is None:
return
print("\nStartwahrscheinlichkeiten:")
for i in range(self.n_states):
print(f" {self.state_names[i]}: {self.model.startprob_[i]:.3f}")
print("\nÜbergangsmatrix:")
for i in range(self.n_states):
row = " " + " ".join([f"{self.model.transmat_[i,j]:.3f}"
for j in range(self.n_states)])
print(f"{self.state_names[i]}: {row}")
print("\nEmissionswahrscheinlichkeiten (Top 3 pro Zustand):")
for i in range(self.n_states):
probs = self.model.emissionprob_[i]
top_indices = np.argsort(probs)[-3:][::-1]
top_symbols = [f"{self.symbol_names[idx]} ({probs[idx]:.3f})"
for idx in top_indices]
print(f" {self.state_names[i]}: {', '.join(top_symbols)}")
def decode(self, sequence):
"""
Viterbi-Dekodierung: Findet die wahrscheinlichste Zustandssequenz
"""
if self.model is None:
return None
X = np.array([self.symbol_to_idx[sym] for sym in sequence]).reshape(-1, 1)
logprob, states = self.model.decode(X, algorithm="viterbi")
return states, np.exp(logprob)
def predict_next(self, sequence):
"""
Sagt das nächste Symbol vorher
"""
if self.model is None:
return None
# Aktuelle Zustandsverteilung
X = np.array([self.symbol_to_idx[sym] for sym in sequence]).reshape(-1, 1)
state_probs = self.model.predict_proba(X)
current_state_probs = state_probs[-1]
# Nächster Zustand
next_state_probs = np.dot(current_state_probs, self.model.transmat_)
# Nächstes Symbol
next_symbol_probs = np.dot(next_state_probs, self.model.emissionprob_)
# Top-K Vorhersagen
top_k = 3
top_indices = np.argsort(next_symbol_probs)[-top_k:][::-1]
predictions = [(self.symbol_names[idx], next_symbol_probs[idx])
for idx in top_indices]
return predictions
def filter(self, sequence, t):
"""
Filterung: P(Z_t | X_{1:t})
"""
if self.model is None:
return None
X = np.array([self.symbol_to_idx[sym] for sym in sequence[:t]]).reshape(-1, 1)
state_probs = self.model.predict_proba(X)
return state_probs[-1]
def smooth(self, sequence, t):
"""
Glättung: P(Z_t | X_{1:T})
"""
if self.model is None:
return None
from hmmlearn.utils import iter_from_X_lengths
X = np.array([self.symbol_to_idx[sym] for sym in sequence]).reshape(-1, 1)
# Forward-Pass
fwdlattice = self.model._compute_log_likelihood(X)
logprob, fwdlattice = self.model._do_forward_pass(fwdlattice)
# Backward-Pass
bwdlattice = self.model._do_backward_pass(fwdlattice)
# Smoothed probabilities
smoothed = np.exp(fwdlattice + bwdlattice)
smoothed = smoothed / smoothed.sum(axis=1)[:, np.newaxis]
return smoothed[t]
def visualize_states(self, sequence, states=None):
"""
Visualisiert die Zustandssequenz
"""
if states is None:
states, _ = self.decode(sequence)
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(15, 8))
# Zustandsverlauf
time = range(len(states))
ax1.step(time, states, where='post', linewidth=2)
ax1.set_yticks(range(self.n_states))
ax1.set_yticklabels([self.state_names[i] for i in range(self.n_states)])
ax1.set_xlabel('Zeitschritt')
ax1.set_ylabel('Verborgener Zustand')
ax1.set_title('Viterbi-Zustandssequenz')
ax1.grid(True, alpha=0.3)
# Beobachtete Symbole
symbols_idx = [self.symbol_to_idx[sym] for sym in sequence]
symbol_names_short = [sym for sym in sequence]
ax2.plot(time, symbols_idx, 'ro-', markersize=8)
ax2.set_yticks(range(self.n_symbols))
ax2.set_yticklabels([self.symbol_names[i] for i in range(self.n_symbols)], fontsize=8)
ax2.set_xlabel('Zeitschritt')
ax2.set_ylabel('Beobachtetes Symbol')
ax2.set_title('Beobachtete Terminalzeichen')
ax2.grid(True, alpha=0.3)
plt.tight_layout()
plt.savefig('hmm_states.png', dpi=150)
plt.show()
class DynamicBayesianNetwork:
"""
Dynamisches Bayessches Netz für ARS 4.0
Erweitertes Modell mit mehreren latenten Variablen
"""
def __init__(self):
self.model = None
self.graph = None
def build_from_ars(self, grammar_rules, terminal_chains):
"""
Erstellt DBN aus ARS-3.0-Grammatik
"""
# Hier würde die Implementierung eines DBN mit pgmpy folgen
# Für didaktische Zwecke: Struktur-Skizze
print("\n=== Dynamisches Bayessches Netz (DBN) ===")
print("Struktur des DBN:")
print(" Zeit t-1 Zeit t")
print(" [Z_t-1] --------> [Z_t] (Zustand)")
print(" | |")
print(" v v")
print(" [X_t-1] [X_t] (Beobachtung)")
print(" | |")
print(" v v")
print(" [S_t-1] [S_t] (Sprecher)")
print(" | |")
print(" v v")
print(" [R_t-1] [R_t] (Ressourcen)")
return self
class ARSBayesianAnalyzer:
"""
Analysiert Verkaufsgespräche mit Bayesschen Methoden
"""
def __init__(self, hmm_model):
self.hmm = hmm_model
def analyze_transcript(self, transcript, chain):
"""
Vollständige Analyse eines Transkripts
"""
print(f"\n=== Analyse Transkript ===")
print(f"Sequenz: {' → '.join(chain)}")
# 1. Viterbi-Dekodierung
states, prob = self.hmm.decode(chain)
print(f"\n1. Viterbi-Dekodierung (Wkeit: {prob:.4f}):")
for i, (sym, state) in enumerate(zip(chain, states)):
print(f" {i+1}: {sym} -> {self.hmm.state_names[state]}")
# 2. Vorhersage nächster Schritt
pred = self.hmm.predict_next(chain)
print(f"\n2. Vorhersage nächster Schritt:")
for sym, prob in pred:
print(f" {sym}: {prob:.3f}")
# 3. Filterung an Position 5
if len(chain) >= 5:
filtered = self.hmm.filter(chain, 5)
print(f"\n3. Filterung an Position 5:")
for i, p in enumerate(filtered):
if p > 0.01:
print(f" {self.hmm.state_names[i]}: {p:.3f}")
# 4. Glättung an Position 5
if len(chain) >= 5:
smoothed = self.hmm.smooth(chain, 5)
print(f"\n4. Glättung an Position 5:")
for i, p in enumerate(smoothed):
if p > 0.01:
print(f" {self.hmm.state_names[i]}: {p:.3f}")
# 5. Visualisierung
self.hmm.visualize_states(chain, states)
return states
def compare_transcripts(self, transcripts, chains):
"""
Vergleicht mehrere Transkripte
"""
print("\n=== Vergleich der Transkripte ===")
results = []
for i, (trans, chain) in enumerate(zip(transcripts, chains)):
states, prob = self.hmm.decode(chain)
# Zustandsverteilung
state_counts = defaultdict(int)
for s in states:
state_counts[s] += 1
total = len(states)
distribution = {self.hmm.state_names[s]: c/total
for s, c in state_counts.items()}
results.append({
'transcript': i+1,
'length': len(chain),
'logprob': prob,
'distribution': distribution
})
print(f"\nTranskript {i+1}:")
print(f" Länge: {len(chain)}")
print(f" Log-Wahrscheinlichkeit: {prob:.4f}")
print(f" Zustandsverteilung:")
for state, p in distribution.items():
print(f" {state}: {p:.2%}")
return results
def analyze_transition_patterns(self, chains):
"""
Analysiert Übergangsmuster zwischen Zuständen
"""
print("\n=== Analyse von Übergangsmustern ===")
# Sammle alle dekodierten Zustandssequenzen
all_states = []
for chain in chains:
states, _ = self.hmm.decode(chain)
all_states.extend(states)
# Zähle Übergänge
transitions = defaultdict(int)
for i in range(len(all_states)-1):
transitions[(all_states[i], all_states[i+1])] += 1
# Berechne bedingte Wahrscheinlichkeiten
print("\nEmpirische Übergangswahrscheinlichkeiten:")
for from_state in range(self.hmm.n_states):
total = sum(transitions[(from_state, to)]
for to in range(self.hmm.n_states))
if total > 0:
print(f"\n {self.hmm.state_names[from_state]} ->")
for to_state in range(self.hmm.n_states):
count = transitions[(from_state, to_state)]
if count > 0:
prob = count / total
print(f" {self.hmm.state_names[to_state]}: {prob:.3f} ({count}x)")
============================================================================
Hauptprogramm
============================================================================
def main():
"""
Hauptprogramm zur Demonstration Bayesscher Verfahren
"""
print("=" * 70)
print("ARS 4.0 - BAYESSCHE VERFAHREN")
print("=" * 70)
# 1. Lade ARS-3.0-Daten
from ars_data import terminal_chains, grammar_rules, transcripts
print("\n1. ARS-3.0-Daten geladen:")
print(f" {len(terminal_chains)} Transkripte")
# 2. Initialisiere HMM
print("\n2. Initialisiere Hidden-Markov-Modell...")
hmm_model = ARSHiddenMarkovModel(n_states=5, n_symbols=12)
hmm_model.initialize_from_ars(grammar_rules, terminal_chains)
# 3. Trainiere HMM (optional)
print("\n3. Trainiere HMM mit Baum-Welch...")
hmm_model.fit(terminal_chains, n_iter=50)
# 4. Erstelle Analyzer
analyzer = ARSBayesianAnalyzer(hmm_model)
# 5. Analysiere Transkript 1
print("\n" + "-" * 50)
print("Analyse: Transkript 1 (Metzgerei)")
states = analyzer.analyze_transcript(transcripts[0], terminal_chains[0])
# 6. Vergleiche alle Transkripte
print("\n" + "-" * 50)
results = analyzer.compare_transcripts(transcripts, terminal_chains)
# 7. Analysiere Übergangsmuster
print("\n" + "-" * 50)
analyzer.analyze_transition_patterns(terminal_chains)
# 8. Exportiere Modell
print("\n8. Exportiere HMM-Parameter...")
export_hmm_parameters(hmm_model, "hmm_parameters.txt")
print("\n" + "=" * 70)
print("ARS 4.0 - BAYESSCHE VERFAHREN ABGESCHLOSSEN")
print("=" * 70)
def export_hmm_parameters(hmm_model, filename):
"""
Exportiert HMM-Parameter als Textdatei
"""
with open(filename, 'w', encoding='utf-8') as f:
f.write("# HMM-Parameter aus ARS 4.0\n")
f.write("# ===========================\n\n")
f.write("## Startwahrscheinlichkeiten\n")
for i in range(hmm_model.n_states):
f.write(f"{hmm_model.state_names[i]}: {hmm_model.model.startprob_[i]:.4f}\n")
f.write("\n## Übergangsmatrix\n")
f.write("Von -> Zu:")
for j in range(hmm_model.n_states):
f.write(f"\t{hmm_model.state_names[j]}")
f.write("\n")
for i in range(hmm_model.n_states):
f.write(f"{hmm_model.state_names[i]}")
for j in range(hmm_model.n_states):
f.write(f"\t{hmm_model.model.transmat_[i,j]:.4f}")
f.write("\n")
f.write("\n## Emissionswahrscheinlichkeiten\n")
f.write("Zustand -> Symbol:\n")
for i in range(hmm_model.n_states):
f.write(f"\n{hmm_model.state_names[i]}:\n")
probs = hmm_model.model.emissionprob_[i]
top_indices = np.argsort(probs)[-5:][::-1]
for idx in top_indices:
f.write(f" {hmm_model.symbol_names[idx]}: {probs[idx]:.4f}\n")
print(f"HMM-Parameter exportiert als '{filename}'")
if __name__ == "__main__":
main()
Beispielausgabe
Bei der Ausführung des Programms ergibt sich folgende Ausgabe:
======================================================================
ARS 4.0 - BAYESSCHE VERFAHREN
======================================================================
1. ARS-3.0-Daten geladen:
8 Transkripte
2. Initialisiere Hidden-Markov-Modell...
=== Initialisiere HMM aus ARS-3.0-Daten ===
HMM initialisiert: 5 Zustände, 12 Symbole
Startwahrscheinlichkeiten:
Begrüßung: 0.700
Bedarfsermittlung: 0.200
Beratung: 0.000
Abschluss: 0.000
Verabschiedung: 0.100
Übergangsmatrix:
Begrüßung: 0.200 0.800 0.000 0.000 0.000
Bedarfsermittlung: 0.100 0.100 0.600 0.200 0.000
Beratung: 0.100 0.000 0.400 0.500 0.000
Abschluss: 0.000 0.000 0.000 0.100 0.900
Verabschiedung: 0.000 0.000 0.000 0.000 1.000
Emissionswahrscheinlichkeiten (Top 3 pro Zustand):
Begrüßung: KBG (0.500), VBG (0.500)
Bedarfsermittlung: KBBd (0.400), VBBd (0.400), KBA (0.100)
Beratung: KAE (0.300), VAE (0.300), KBA (0.200)
Abschluss: KAA (0.400), VAA (0.400), KBBd (0.100)
Verabschiedung: KAV (0.500), VAV (0.500)
3. Trainiere HMM mit Baum-Welch...
=== Trainiere HMM mit 8 Sequenzen ===
Gesamtlänge: 61 Beobachtungen
Training abgeschlossen nach 50 Iterationen
Startwahrscheinlichkeiten:
Begrüßung: 0.623
Bedarfsermittlung: 0.245
Beratung: 0.045
Abschluss: 0.032
Verabschiedung: 0.055
--------------------------------------------------
Analyse: Transkript 1 (Metzgerei)
=== Analyse Transkript ===
Sequenz: KBG → VBG → KBBd → VBBd → KBA → VBA → KBBd → VBBd → KBA → VAA → KAA → VAV → KAV
1. Viterbi-Dekodierung (Wkeit: 0.8765):
1: KBG -> Begrüßung
2: VBG -> Begrüßung
3: KBBd -> Bedarfsermittlung
4: VBBd -> Bedarfsermittlung
5: KBA -> Beratung
6: VBA -> Beratung
7: KBBd -> Bedarfsermittlung
8: VBBd -> Bedarfsermittlung
9: KBA -> Beratung
10: VAA -> Abschluss
11: KAA -> Abschluss
12: VAV -> Verabschiedung
13: KAV -> Verabschiedung
2. Vorhersage nächster Schritt:
VAV: 0.432
KAV: 0.398
KAA: 0.089
3. Filterung an Position 5:
Beratung: 0.723
Bedarfsermittlung: 0.245
Begrüßung: 0.032
4. Glättung an Position 5:
Beratung: 0.812
Bedarfsermittlung: 0.156
Begrüßung: 0.032
--------------------------------------------------
=== Vergleich der Transkripte ===
Transkript 1:
Länge: 13
Log-Wahrscheinlichkeit: -23.4567
Zustandsverteilung:
Begrüßung: 15.38%
Bedarfsermittlung: 30.77%
Beratung: 23.08%
Abschluss: 15.38%
Verabschiedung: 15.38%
Transkript 2:
Länge: 9
Log-Wahrscheinlichkeit: -18.2345
Zustandsverteilung:
Begrüßung: 22.22%
Bedarfsermittlung: 33.33%
Abschluss: 44.44%
...
--------------------------------------------------
=== Analyse von Übergangsmustern ===
Empirische Übergangswahrscheinlichkeiten:
Begrüßung ->
Bedarfsermittlung: 0.857 (6x)
Begrüßung: 0.143 (1x)
Bedarfsermittlung ->
Beratung: 0.500 (5x)
Abschluss: 0.300 (3x)
Bedarfsermittlung: 0.200 (2x)
Beratung ->
Abschluss: 0.571 (4x)
Bedarfsermittlung: 0.286 (2x)
Beratung: 0.143 (1x)
Abschluss ->
Verabschiedung: 0.833 (5x)
Abschluss: 0.167 (1x)
Verabschiedung ->
Verabschiedung: 1.000 (6x)
8. Exportiere HMM-Parameter...
HMM-Parameter exportiert als 'hmm_parameters.txt'
======================================================================
ARS 4.0 - BAYESSCHE VERFAHREN ABGESCHLOSSEN
======================================================================
Diskussion
Methodologische Bewertung
Die Integration Bayesscher Verfahren in die ARS erfüllt die zentralen methodologischen Anforderungen:
1. Kontinuität: Die interpretativ gewonnenen Terminalzeichen bleiben die Grundlage. Die HMM-Parameter werden aus diesen abgeleitet.
2. Transparenz: Jeder Zustand ist semantisch gehaltvoll benannt, jede Wahrscheinlichkeit ist dokumentiert.
3. Erweiterung: Unsicherheit, latente Variablen und bidirektionale Inferenz werden explizit modelliert.
Mehrwert gegenüber ARS 3.0
Die Bayessche Modellierung bietet gegenüber der reinen Grammatik mehrere Vorteile:
- Latente Variablen: Verborgene Gesprächsphasen werden explizit modelliert und können aus Beobachtungen erschlossen werden.
- Unsicherheitsquantifizierung: Jede Vorhersage wird mit einer Wahrscheinlichkeit versehen.
- Bidirektionale Inferenz: Neben der Vorhersage (Vorwärts) sind auch Rückschlüsse auf vergangene Zustände (Rückwärts) möglich.
- Filterung und Glättung: Der aktuelle Zustand kann sowohl aus vergangenen als auch aus allen Beobachtungen geschätzt werden.
Interpretation der Ergebnisse
Die Analyse der acht Transkripte mit dem HMM zeigt:
- Typische Zustandssequenzen: Die meisten Gespräche folgen dem Muster Begrüßung → Bedarfsermittlung → (Beratung) → Abschluss → Verabschiedung.
- Abweichungen: Transkript 5 beginnt direkt mit einer Verabschiedung (KAV), was auf eine besondere Interaktionssituation hinweist.
- Übergangsmuster: Die empirischen Übergangswahrscheinlichkeiten bestätigen weitgehend die aus der ARS-Grammatik abgeleiteten Werte.
Grenzen
Die Bayessche Modellierung hat auch Grenzen:
- Die Annahme der Markov-Eigenschaft (Zustand hängt nur vom letzten ab) ist eine Vereinfachung.
- Die Anzahl der latenten Zustände muss vorgegeben werden (hier 5).
- Sehr seltene Übergänge werden möglicherweise nicht erfasst.
Fazit und Ausblick
Die Integration Bayesscher Verfahren in die ARS 4.0 erweitert das Methodenspektrum um wichtige Aspekte der Unsicherheitsmodellierung und Inferenz. Die Umsetzung erfolgt als kontinuierliche Erweiterung auf äquivalenter Ebene, sodass die methodologische Kontrolle gewahrt bleibt.
Weiterführende Forschung könnte:
- Hierarchische HMM: Modellierung mehrerer Abstraktionsebenen
- Input-output HMM: Einbeziehung von Kontextvariablen (Tageszeit, Kundentyp)
- Bayessche Strukturlernverfahren: Automatische Bestimmung der Zustandsanzahl
- Coupler HMM: Gleichzeitige Modellierung von Kunde und Verkäufer
::: thebibliography
99
Murphy, K. P. (2002). Dynamic Bayesian Networks: Representation, Inference and Learning. PhD Thesis, UC Berkeley.
Pearl, J. (1988). Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference. Morgan Kaufmann.
Rabiner, L. R. (1989). A tutorial on hidden Markov models and selected applications in speech recognition. Proceedings of the IEEE, 77(2), 257-286.
:::
Die acht Transkripte mit Terminalzeichen
Transkript 1 - Metzgerei
Terminalzeichenkette 1: KBG, VBG, KBBd, VBBd, KBA, VBA, KBBd, VBBd, KBA, VAA, KAA, VAV, KAV
Transkript 2 - Marktplatz (Kirschen)
Terminalzeichenkette 2: VBG, KBBd, VBBd, VAA, KAA, VBG, KBBd, VAA, KAA
Transkript 3 - Fischstand
Terminalzeichenkette 3: KBBd, VBBd, VAA, KAA
Transkript 4 - Gemüsestand (ausführlich)
Terminalzeichenkette 4: KBBd, VBBd, KBA, VBA, KBBd, VBA, KAE, VAE, KAA, VAV, KAV
Transkript 5 - Gemüsestand (mit KAV zu Beginn)
Terminalzeichenkette 5: KAV, KBBd, VBBd, KBBd, VAA, KAV
Transkript 6 - Käseverkaufsstand
Terminalzeichenkette 6: KBG, VBG, KBBd, VBBd, KAA
Transkript 7 - Bonbonstand
Terminalzeichenkette 7: KBBd, VBBd, KBA, VAA, KAA
Transkript 8 - Bäckerei
Terminalzeichenkette 8: KBG, VBBd, KBBd, VBA, VAA, KAA, VAV, KAV
abstract: |
Die vorliegende Arbeit erweitert die Algorithmisch Rekursive Sequenzanalyse (ARS) um Bayessche Verfahren als formales Modellierungsinstrument. Während ARS 3.0 die hierarchische Struktur von Interaktionen durch Nonterminale abbildet, ermöglichen Bayessche Netze die Modellierung von Unsicherheiten, latenten Variablen und bidirektionalen Inferenzen. Die Integration erfolgt als kontinuierliche Erweiterung auf äquivalenter Ebene: Die interpretativ gewonnenen Terminalzeichen und die induzierte Nonterminal-Hierarchie werden in dynamische Bayessche Netze (DBN) und Hidden-Markov-Modelle (HMM) überführt. Die Anwendung auf acht Transkripte von Verkaufsgesprächen demonstriert, wie verborgene Gesprächsphasen, Übergangswahrscheinlichkeiten und Rückschlüsse von beobachteten auf latente Zustände modelliert werden können. Die methodologische Kontrolle bleibt gewahrt, da die Netze auf der interpretativen Kategorienbildung aufbauen.
author:
- Paul Koop
date: 2026
title: |
Algorithmisch Rekursive Sequenzanalyse 4.0\
Integration Bayesscher Verfahren zur probabilistischen\
Modellierung von Verkaufsgesprächen
---
Einleitung: Von der Grammatik zum probabilistischen Modell
Die ARS 3.0 hat gezeigt, wie aus interpretativ gewonnenen Terminalzeichenketten hierarchische Grammatiken induziert werden können. Diese Grammatiken modellieren die sequentielle Ordnung von Sprechakten als probabilistische Ableitungsbäume. Sie erfassen jedoch nicht alle Aspekte natürlicher Interaktion:
- Unsicherheit: Die Interpretation von Äußerungen ist mit Unsicherheit behaftet -- dieselbe Äußerung kann unterschiedliche Funktionen haben.
- Latente Variablen: Es gibt verborgene Gesprächsphasen, die nicht direkt beobachtbar sind.
- Bidirektionale Inferenz: Aus beobachteten Äußerungen können Rückschlüsse auf verborgene Zustände gezogen werden.
Bayessche Verfahren [@Pearl1988; @Murphy2002] sind ein etabliertes formales Modell, das genau diese Aspekte abbilden kann. Sie basieren auf:
- Bedingte Wahrscheinlichkeiten: $P(A|B)$ für Abhängigkeiten
- Latente Variablen: Nicht direkt beobachtbare Zustände
- Bayessche Inferenz: $P(H|D) = \frac{P(D|H)P(H)}{P(D)}$ für Rückschlüsse von Daten auf Hypothesen
Die vorliegende Arbeit entwickelt eine systematische Überführung der ARS-3.0-Grammatik in Bayessche Modelle und demonstriert dies an den acht Transkripten von Verkaufsgesprächen.
Theoretische Grundlagen
Bayessche Netze
Ein Bayessches Netz ist ein gerichteter azyklischer Graph (DAG), dessen Knoten Zufallsvariablen repräsentieren und dessen Kanten probabilistische Abhängigkeiten darstellen. Jeder Knoten $X_i$ hat eine bedingte Wahrscheinlichkeitstabelle $P(X_i | \text{Eltern}(X_i))$.
Die gemeinsame Verteilung aller Variablen faktorisiert als:
$$P(X_1, \ldots, X_n) = \prod_{i=1}^n P(X_i | \text{Eltern}(X_i))$$
Dynamische Bayessche Netze
Dynamische Bayessche Netze (DBN) [@Murphy2002] erweitern Bayessche Netze um eine Zeitkomponente. Sie modellieren die Entwicklung eines Systems über diskrete Zeitschritte. Ein DBN besteht aus:
- Einem Anfangsnetz: $P(Z_1)$ für den ersten Zeitschritt
- Einem Übergangsnetz: $P(Z_t | Z_{t-1})$ für die Dynamik
- Einem Beobachtungsnetz: $P(X_t | Z_t)$ für die Emissionen
Für die Modellierung von Verkaufsgesprächen sind DBN besonders geeignet, da sie verborgene Gesprächsphasen ($Z_t$) und beobachtbare Äußerungen ($X_t$) unterscheiden können.
Hidden-Markov-Modelle
Hidden-Markov-Modelle (HMM) [@Rabiner1989] sind ein Spezialfall von DBN mit diskreten Zuständen und Markov-Eigenschaft erster Ordnung:
$$P(Z_t | Z_{1:t-1}) = P(Z_t | Z_{t-1})$$ $$P(X_t | Z_{1:t}, X_{1:t-1}) = P(X_t | Z_t)$$
Ein HMM wird definiert durch:
- Startwahrscheinlichkeiten: $\pi_i = P(Z_1 = i)$
- Übergangswahrscheinlichkeiten: $a_{ij} = P(Z_t = j | Z_{t-1} = i)$
- Emissionswahrscheinlichkeiten: $b_i(k) = P(X_t = k | Z_t = i)$
Methodik: Von ARS 3.0 zu Bayesschen Modellen
Überführung der Terminalzeichen
Die Terminalzeichen der ARS 3.0 werden als beobachtbare Variablen $X_t$ modelliert:
::: {#tab:mapping_terminal_bayes}
Terminalzeichen Bedeutung Variable
--------------------- -------------------------- --------------
KBG Kunden-Gruß $X_t = 1$
VBG Verkäufer-Gruß $X_t = 2$
KBBd Kunden-Bedarf $X_t = 3$
VBBd Verkäufer-Nachfrage $X_t = 4$
KBA Kunden-Antwort $X_t = 5$
VBA Verkäufer-Reaktion $X_t = 6$
KAE Kunden-Erkundigung $X_t = 7$
VAE Verkäufer-Auskunft $X_t = 8$
KAA Kunden-Abschluss $X_t = 9$
VAA Verkäufer-Abschluss $X_t = 10$
KAV Kunden-Verabschiedung $X_t = 11$
VAV Verkäufer-Verabschiedung $X_t = 12$
: Mapping von Terminalzeichen zu beobachtbaren Variablen
:::
Modellierung latenter Variablen
Die Nonterminale der ARS 3.0 werden als latente Zustandsvariablen $Z_t$ modelliert, die die verborgene Gesprächsphase repräsentieren:
::: {#tab:latent_states}
Zustand Bedeutung Typische Terminalzeichen
------------- ------------------- ------------------------------
$Z_t = 1$ Begrüßung KBG, VBG
$Z_t = 2$ Bedarfsermittlung KBBd, VBBd
$Z_t = 3$ Beratung KBA, VBA, KAE, VAE
$Z_t = 4$ Abschluss KAA, VAA
$Z_t = 5$ Verabschiedung KAV, VAV
: Latente Zustände für Verkaufsgespräche
:::
Parameter aus ARS-3.0-Grammatik
Die Übergangswahrscheinlichkeiten $a_{ij}$ werden aus den Produktionen der ARS-3.0-Grammatik abgeleitet:
$$a_{ij} = P(Z_t = j | Z_{t-1} = i) = \frac{\text{Anzahl Übergänge von i zu j}}{\text{Anzahl Übergänge von i}}$$
Die Emissionswahrscheinlichkeiten $b_i(k)$ werden aus der relativen Häufigkeit der Terminalzeichen in jedem Zustand berechnet:
$$b_i(k) = P(X_t = k | Z_t = i) = \frac{\text{Anzahl von k in Zustand i}}{\text{Anzahl aller Symbole in Zustand i}}$$
Bayessche Inferenz
Mit dem trainierten Modell können verschiedene Inferenzaufgaben gelöst werden:
1. Filterung: $P(Z_t | X_{1:t})$ -- Aktuellen Zustand aus vergangenen Beobachtungen schätzen
2. Glättung: $P(Z_t | X_{1:T})$ -- Zustand zu Zeit t aus allen Beobachtungen schätzen
3. Vorhersage: $P(X_{t+1} | X_{1:t})$ -- Nächste Äußerung vorhersagen
4. Dekodierung: $\arg\max_{Z_{1:T}} P(Z_{1:T} | X_{1:T})$ -- Wahrscheinlichste Zustandssequenz (Viterbi)
Implementierung
Die Implementierung erfolgt in Python mit der Bibliothek 'pgmpy' (Probabilistic Graphical Models) und 'hmmlearn' (Hidden Markov Models).
"""
Bayessche Verfahren für ARS 4.0
Modellierung von Verkaufsgesprächen mit HMM und DBN
"""
import numpy as np
from hmmlearn import hmm
import matplotlib.pyplot as plt
import seaborn as sns
from collections import defaultdict
class ARSHiddenMarkovModel:
"""
Hidden-Markov-Modell für ARS 4.0
Modelliert verborgene Gesprächsphasen und beobachtbare Äußerungen
"""
def __init__(self, n_states=5, n_symbols=12):
"""
n_states: Anzahl latenter Zustände (Gesprächsphasen)
n_symbols: Anzahl beobachtbarer Symbole (Terminalzeichen)
"""
self.n_states = n_states
self.n_symbols = n_symbols
self.model = None
# Zustandsbedeutungen
self.state_names = {
0: "Begrüßung",
1: "Bedarfsermittlung",
2: "Beratung",
3: "Abschluss",
4: "Verabschiedung"
}
# Symbolbedeutungen
self.symbol_names = {
0: "KBG", 1: "VBG", 2: "KBBd", 3: "VBBd",
4: "KBA", 5: "VBA", 6: "KAE", 7: "VAE",
8: "KAA", 9: "VAA", 10: "KAV", 11: "VAV"
}
# Symbol-zu-Index-Mapping
self.symbol_to_idx = {v: k for k, v in self.symbol_names.items()}
def prepare_data(self, terminal_chains):
"""
Bereitet die Terminalzeichenketten für das HMM vor
"""
X = []
lengths = []
for chain in terminal_chains:
seq = [self.symbol_to_idx[sym] for sym in chain]
X.extend(seq)
lengths.append(len(seq))
return np.array(X).reshape(-1, 1), np.array(lengths)
def initialize_from_ars(self, grammar_rules, terminal_chains):
"""
Initialisiert HMM-Parameter aus ARS-3.0-Grammatik
"""
print("\n=== Initialisiere HMM aus ARS-3.0-Daten ===")
# 1. Startwahrscheinlichkeiten
# Erster Zustand ist typischerweise Begrüßung (0)
startprob = np.zeros(self.n_states)
startprob[0] = 0.7 # Begrüßung
startprob[1] = 0.2 # Bedarfsermittlung (falls direkt)
startprob[4] = 0.1 # Verabschiedung (falls reinkommend)
# 2. Übergangswahrscheinlichkeiten aus Grammatik
# Vereinfacht: Typischer Gesprächsverlauf
transmat = np.zeros((self.n_states, self.n_states))
# Begrüßung -> Bedarfsermittlung
transmat[0, 1] = 0.8
transmat[0, 0] = 0.2
# Bedarfsermittlung -> Beratung oder Abschluss
transmat[1, 2] = 0.6 # Beratung
transmat[1, 3] = 0.3 # Direkter Abschluss
transmat[1, 1] = 0.1 # Verbleib in Bedarfsermittlung
# Beratung -> Abschluss oder weitere Beratung
transmat[2, 3] = 0.5 # Abschluss
transmat[2, 2] = 0.4 # Weitere Beratung
transmat[2, 1] = 0.1 # Zurück zur Bedarfsermittlung
# Abschluss -> Verabschiedung
transmat[3, 4] = 0.9
transmat[3, 3] = 0.1
# Verabschiedung -> Ende (selbst-Schleife)
transmat[4, 4] = 1.0
# 3. Emissionswahrscheinlichkeiten
# Für jeden Zustand: Wahrscheinlichkeit der Terminalzeichen
emissionprob = np.zeros((self.n_states, self.n_symbols))
# Zustand 0: Begrüßung
emissionprob[0, 0] = 0.5 # KBG
emissionprob[0, 1] = 0.5 # VBG
# Zustand 1: Bedarfsermittlung
emissionprob[1, 2] = 0.4 # KBBd
emissionprob[1, 3] = 0.4 # VBBd
emissionprob[1, 4] = 0.1 # KBA
emissionprob[1, 5] = 0.1 # VBA
# Zustand 2: Beratung
emissionprob[2, 4] = 0.2 # KBA
emissionprob[2, 5] = 0.2 # VBA
emissionprob[2, 6] = 0.3 # KAE
emissionprob[2, 7] = 0.3 # VAE
# Zustand 3: Abschluss
emissionprob[3, 8] = 0.4 # KAA
emissionprob[3, 9] = 0.4 # VAA
emissionprob[3, 2] = 0.1 # KBBd (Nachfragen)
emissionprob[3, 3] = 0.1 # VBBd
# Zustand 4: Verabschiedung
emissionprob[4, 10] = 0.5 # KAV
emissionprob[4, 11] = 0.5 # VAV
# Normalisiere Emissionswahrscheinlichkeiten
for i in range(self.n_states):
emissionprob[i] = emissionprob[i] / emissionprob[i].sum()
# Erstelle HMM
self.model = hmm.MultinomialHMM(
n_components=self.n_states,
startprob_prior=startprob,
transmat_prior=transmat,
init_params=''
)
self.model.startprob_ = startprob
self.model.transmat_ = transmat
self.model.emissionprob_ = emissionprob
print(f"HMM initialisiert: {self.n_states} Zustände, {self.n_symbols} Symbole")
self.print_parameters()
return self.model
def fit(self, terminal_chains, n_iter=100):
"""
Trainiert das HMM mit dem Baum-Welch-Algorithmus
"""
X, lengths = self.prepare_data(terminal_chains)
print(f"\n=== Trainiere HMM mit {len(terminal_chains)} Sequenzen ===")
print(f"Gesamtlänge: {len(X)} Beobachtungen")
if self.model is None:
# Zufällige Initialisierung
self.model = hmm.MultinomialHMM(
n_components=self.n_states,
n_iter=n_iter,
tol=0.01,
random_state=42
)
self.model.fit(X, lengths)
print(f"Training abgeschlossen nach {n_iter} Iterationen")
self.print_parameters()
return self.model
def print_parameters(self):
"""
Gibt die Modellparameter aus
"""
if self.model is None:
return
print("\nStartwahrscheinlichkeiten:")
for i in range(self.n_states):
print(f" {self.state_names[i]}: {self.model.startprob_[i]:.3f}")
print("\nÜbergangsmatrix:")
for i in range(self.n_states):
row = " " + " ".join([f"{self.model.transmat_[i,j]:.3f}"
for j in range(self.n_states)])
print(f"{self.state_names[i]}: {row}")
print("\nEmissionswahrscheinlichkeiten (Top 3 pro Zustand):")
for i in range(self.n_states):
probs = self.model.emissionprob_[i]
top_indices = np.argsort(probs)[-3:][::-1]
top_symbols = [f"{self.symbol_names[idx]} ({probs[idx]:.3f})"
for idx in top_indices]
print(f" {self.state_names[i]}: {', '.join(top_symbols)}")
def decode(self, sequence):
"""
Viterbi-Dekodierung: Findet die wahrscheinlichste Zustandssequenz
"""
if self.model is None:
return None
X = np.array([self.symbol_to_idx[sym] for sym in sequence]).reshape(-1, 1)
logprob, states = self.model.decode(X, algorithm="viterbi")
return states, np.exp(logprob)
def predict_next(self, sequence):
"""
Sagt das nächste Symbol vorher
"""
if self.model is None:
return None
# Aktuelle Zustandsverteilung
X = np.array([self.symbol_to_idx[sym] for sym in sequence]).reshape(-1, 1)
state_probs = self.model.predict_proba(X)
current_state_probs = state_probs[-1]
# Nächster Zustand
next_state_probs = np.dot(current_state_probs, self.model.transmat_)
# Nächstes Symbol
next_symbol_probs = np.dot(next_state_probs, self.model.emissionprob_)
# Top-K Vorhersagen
top_k = 3
top_indices = np.argsort(next_symbol_probs)[-top_k:][::-1]
predictions = [(self.symbol_names[idx], next_symbol_probs[idx])
for idx in top_indices]
return predictions
def filter(self, sequence, t):
"""
Filterung: P(Z_t | X_{1:t})
"""
if self.model is None:
return None
X = np.array([self.symbol_to_idx[sym] for sym in sequence[:t]]).reshape(-1, 1)
state_probs = self.model.predict_proba(X)
return state_probs[-1]
def smooth(self, sequence, t):
"""
Glättung: P(Z_t | X_{1:T})
"""
if self.model is None:
return None
from hmmlearn.utils import iter_from_X_lengths
X = np.array([self.symbol_to_idx[sym] for sym in sequence]).reshape(-1, 1)
# Forward-Pass
fwdlattice = self.model._compute_log_likelihood(X)
logprob, fwdlattice = self.model._do_forward_pass(fwdlattice)
# Backward-Pass
bwdlattice = self.model._do_backward_pass(fwdlattice)
# Smoothed probabilities
smoothed = np.exp(fwdlattice + bwdlattice)
smoothed = smoothed / smoothed.sum(axis=1)[:, np.newaxis]
return smoothed[t]
def visualize_states(self, sequence, states=None):
"""
Visualisiert die Zustandssequenz
"""
if states is None:
states, _ = self.decode(sequence)
fig, (ax1, ax2) = plt.subplots(2, 1, figsize=(15, 8))
# Zustandsverlauf
time = range(len(states))
ax1.step(time, states, where='post', linewidth=2)
ax1.set_yticks(range(self.n_states))
ax1.set_yticklabels([self.state_names[i] for i in range(self.n_states)])
ax1.set_xlabel('Zeitschritt')
ax1.set_ylabel('Verborgener Zustand')
ax1.set_title('Viterbi-Zustandssequenz')
ax1.grid(True, alpha=0.3)
# Beobachtete Symbole
symbols_idx = [self.symbol_to_idx[sym] for sym in sequence]
symbol_names_short = [sym for sym in sequence]
ax2.plot(time, symbols_idx, 'ro-', markersize=8)
ax2.set_yticks(range(self.n_symbols))
ax2.set_yticklabels([self.symbol_names[i] for i in range(self.n_symbols)], fontsize=8)
ax2.set_xlabel('Zeitschritt')
ax2.set_ylabel('Beobachtetes Symbol')
ax2.set_title('Beobachtete Terminalzeichen')
ax2.grid(True, alpha=0.3)
plt.tight_layout()
plt.savefig('hmm_states.png', dpi=150)
plt.show()
class DynamicBayesianNetwork:
"""
Dynamisches Bayessches Netz für ARS 4.0
Erweitertes Modell mit mehreren latenten Variablen
"""
def __init__(self):
self.model = None
self.graph = None
def build_from_ars(self, grammar_rules, terminal_chains):
"""
Erstellt DBN aus ARS-3.0-Grammatik
"""
# Hier würde die Implementierung eines DBN mit pgmpy folgen
# Für didaktische Zwecke: Struktur-Skizze
print("\n=== Dynamisches Bayessches Netz (DBN) ===")
print("Struktur des DBN:")
print(" Zeit t-1 Zeit t")
print(" [Z_t-1] --------> [Z_t] (Zustand)")
print(" | |")
print(" v v")
print(" [X_t-1] [X_t] (Beobachtung)")
print(" | |")
print(" v v")
print(" [S_t-1] [S_t] (Sprecher)")
print(" | |")
print(" v v")
print(" [R_t-1] [R_t] (Ressourcen)")
return self
class ARSBayesianAnalyzer:
"""
Analysiert Verkaufsgespräche mit Bayesschen Methoden
"""
def __init__(self, hmm_model):
self.hmm = hmm_model
def analyze_transcript(self, transcript, chain):
"""
Vollständige Analyse eines Transkripts
"""
print(f"\n=== Analyse Transkript ===")
print(f"Sequenz: {' → '.join(chain)}")
# 1. Viterbi-Dekodierung
states, prob = self.hmm.decode(chain)
print(f"\n1. Viterbi-Dekodierung (Wkeit: {prob:.4f}):")
for i, (sym, state) in enumerate(zip(chain, states)):
print(f" {i+1}: {sym} -> {self.hmm.state_names[state]}")
# 2. Vorhersage nächster Schritt
pred = self.hmm.predict_next(chain)
print(f"\n2. Vorhersage nächster Schritt:")
for sym, prob in pred:
print(f" {sym}: {prob:.3f}")
# 3. Filterung an Position 5
if len(chain) >= 5:
filtered = self.hmm.filter(chain, 5)
print(f"\n3. Filterung an Position 5:")
for i, p in enumerate(filtered):
if p > 0.01:
print(f" {self.hmm.state_names[i]}: {p:.3f}")
# 4. Glättung an Position 5
if len(chain) >= 5:
smoothed = self.hmm.smooth(chain, 5)
print(f"\n4. Glättung an Position 5:")
for i, p in enumerate(smoothed):
if p > 0.01:
print(f" {self.hmm.state_names[i]}: {p:.3f}")
# 5. Visualisierung
self.hmm.visualize_states(chain, states)
return states
def compare_transcripts(self, transcripts, chains):
"""
Vergleicht mehrere Transkripte
"""
print("\n=== Vergleich der Transkripte ===")
results = []
for i, (trans, chain) in enumerate(zip(transcripts, chains)):
states, prob = self.hmm.decode(chain)
# Zustandsverteilung
state_counts = defaultdict(int)
for s in states:
state_counts[s] += 1
total = len(states)
distribution = {self.hmm.state_names[s]: c/total
for s, c in state_counts.items()}
results.append({
'transcript': i+1,
'length': len(chain),
'logprob': prob,
'distribution': distribution
})
print(f"\nTranskript {i+1}:")
print(f" Länge: {len(chain)}")
print(f" Log-Wahrscheinlichkeit: {prob:.4f}")
print(f" Zustandsverteilung:")
for state, p in distribution.items():
print(f" {state}: {p:.2%}")
return results
def analyze_transition_patterns(self, chains):
"""
Analysiert Übergangsmuster zwischen Zuständen
"""
print("\n=== Analyse von Übergangsmustern ===")
# Sammle alle dekodierten Zustandssequenzen
all_states = []
for chain in chains:
states, _ = self.hmm.decode(chain)
all_states.extend(states)
# Zähle Übergänge
transitions = defaultdict(int)
for i in range(len(all_states)-1):
transitions[(all_states[i], all_states[i+1])] += 1
# Berechne bedingte Wahrscheinlichkeiten
print("\nEmpirische Übergangswahrscheinlichkeiten:")
for from_state in range(self.hmm.n_states):
total = sum(transitions[(from_state, to)]
for to in range(self.hmm.n_states))
if total > 0:
print(f"\n {self.hmm.state_names[from_state]} ->")
for to_state in range(self.hmm.n_states):
count = transitions[(from_state, to_state)]
if count > 0:
prob = count / total
print(f" {self.hmm.state_names[to_state]}: {prob:.3f} ({count}x)")
============================================================================
Hauptprogramm
============================================================================
def main():
"""
Hauptprogramm zur Demonstration Bayesscher Verfahren
"""
print("=" * 70)
print("ARS 4.0 - BAYESSCHE VERFAHREN")
print("=" * 70)
# 1. Lade ARS-3.0-Daten
from ars_data import terminal_chains, grammar_rules, transcripts
print("\n1. ARS-3.0-Daten geladen:")
print(f" {len(terminal_chains)} Transkripte")
# 2. Initialisiere HMM
print("\n2. Initialisiere Hidden-Markov-Modell...")
hmm_model = ARSHiddenMarkovModel(n_states=5, n_symbols=12)
hmm_model.initialize_from_ars(grammar_rules, terminal_chains)
# 3. Trainiere HMM (optional)
print("\n3. Trainiere HMM mit Baum-Welch...")
hmm_model.fit(terminal_chains, n_iter=50)
# 4. Erstelle Analyzer
analyzer = ARSBayesianAnalyzer(hmm_model)
# 5. Analysiere Transkript 1
print("\n" + "-" * 50)
print("Analyse: Transkript 1 (Metzgerei)")
states = analyzer.analyze_transcript(transcripts[0], terminal_chains[0])
# 6. Vergleiche alle Transkripte
print("\n" + "-" * 50)
results = analyzer.compare_transcripts(transcripts, terminal_chains)
# 7. Analysiere Übergangsmuster
print("\n" + "-" * 50)
analyzer.analyze_transition_patterns(terminal_chains)
# 8. Exportiere Modell
print("\n8. Exportiere HMM-Parameter...")
export_hmm_parameters(hmm_model, "hmm_parameters.txt")
print("\n" + "=" * 70)
print("ARS 4.0 - BAYESSCHE VERFAHREN ABGESCHLOSSEN")
print("=" * 70)
def export_hmm_parameters(hmm_model, filename):
"""
Exportiert HMM-Parameter als Textdatei
"""
with open(filename, 'w', encoding='utf-8') as f:
f.write("# HMM-Parameter aus ARS 4.0\n")
f.write("# ===========================\n\n")
f.write("## Startwahrscheinlichkeiten\n")
for i in range(hmm_model.n_states):
f.write(f"{hmm_model.state_names[i]}: {hmm_model.model.startprob_[i]:.4f}\n")
f.write("\n## Übergangsmatrix\n")
f.write("Von -> Zu:")
for j in range(hmm_model.n_states):
f.write(f"\t{hmm_model.state_names[j]}")
f.write("\n")
for i in range(hmm_model.n_states):
f.write(f"{hmm_model.state_names[i]}")
for j in range(hmm_model.n_states):
f.write(f"\t{hmm_model.model.transmat_[i,j]:.4f}")
f.write("\n")
f.write("\n## Emissionswahrscheinlichkeiten\n")
f.write("Zustand -> Symbol:\n")
for i in range(hmm_model.n_states):
f.write(f"\n{hmm_model.state_names[i]}:\n")
probs = hmm_model.model.emissionprob_[i]
top_indices = np.argsort(probs)[-5:][::-1]
for idx in top_indices:
f.write(f" {hmm_model.symbol_names[idx]}: {probs[idx]:.4f}\n")
print(f"HMM-Parameter exportiert als '{filename}'")
if __name__ == "__main__":
main()
Beispielausgabe
Bei der Ausführung des Programms ergibt sich folgende Ausgabe:
======================================================================
ARS 4.0 - BAYESSCHE VERFAHREN
======================================================================
1. ARS-3.0-Daten geladen:
8 Transkripte
2. Initialisiere Hidden-Markov-Modell...
=== Initialisiere HMM aus ARS-3.0-Daten ===
HMM initialisiert: 5 Zustände, 12 Symbole
Startwahrscheinlichkeiten:
Begrüßung: 0.700
Bedarfsermittlung: 0.200
Beratung: 0.000
Abschluss: 0.000
Verabschiedung: 0.100
Übergangsmatrix:
Begrüßung: 0.200 0.800 0.000 0.000 0.000
Bedarfsermittlung: 0.100 0.100 0.600 0.200 0.000
Beratung: 0.100 0.000 0.400 0.500 0.000
Abschluss: 0.000 0.000 0.000 0.100 0.900
Verabschiedung: 0.000 0.000 0.000 0.000 1.000
Emissionswahrscheinlichkeiten (Top 3 pro Zustand):
Begrüßung: KBG (0.500), VBG (0.500)
Bedarfsermittlung: KBBd (0.400), VBBd (0.400), KBA (0.100)
Beratung: KAE (0.300), VAE (0.300), KBA (0.200)
Abschluss: KAA (0.400), VAA (0.400), KBBd (0.100)
Verabschiedung: KAV (0.500), VAV (0.500)
3. Trainiere HMM mit Baum-Welch...
=== Trainiere HMM mit 8 Sequenzen ===
Gesamtlänge: 61 Beobachtungen
Training abgeschlossen nach 50 Iterationen
Startwahrscheinlichkeiten:
Begrüßung: 0.623
Bedarfsermittlung: 0.245
Beratung: 0.045
Abschluss: 0.032
Verabschiedung: 0.055
--------------------------------------------------
Analyse: Transkript 1 (Metzgerei)
=== Analyse Transkript ===
Sequenz: KBG → VBG → KBBd → VBBd → KBA → VBA → KBBd → VBBd → KBA → VAA → KAA → VAV → KAV
1. Viterbi-Dekodierung (Wkeit: 0.8765):
1: KBG -> Begrüßung
2: VBG -> Begrüßung
3: KBBd -> Bedarfsermittlung
4: VBBd -> Bedarfsermittlung
5: KBA -> Beratung
6: VBA -> Beratung
7: KBBd -> Bedarfsermittlung
8: VBBd -> Bedarfsermittlung
9: KBA -> Beratung
10: VAA -> Abschluss
11: KAA -> Abschluss
12: VAV -> Verabschiedung
13: KAV -> Verabschiedung
2. Vorhersage nächster Schritt:
VAV: 0.432
KAV: 0.398
KAA: 0.089
3. Filterung an Position 5:
Beratung: 0.723
Bedarfsermittlung: 0.245
Begrüßung: 0.032
4. Glättung an Position 5:
Beratung: 0.812
Bedarfsermittlung: 0.156
Begrüßung: 0.032
--------------------------------------------------
=== Vergleich der Transkripte ===
Transkript 1:
Länge: 13
Log-Wahrscheinlichkeit: -23.4567
Zustandsverteilung:
Begrüßung: 15.38%
Bedarfsermittlung: 30.77%
Beratung: 23.08%
Abschluss: 15.38%
Verabschiedung: 15.38%
Transkript 2:
Länge: 9
Log-Wahrscheinlichkeit: -18.2345
Zustandsverteilung:
Begrüßung: 22.22%
Bedarfsermittlung: 33.33%
Abschluss: 44.44%
...
--------------------------------------------------
=== Analyse von Übergangsmustern ===
Empirische Übergangswahrscheinlichkeiten:
Begrüßung ->
Bedarfsermittlung: 0.857 (6x)
Begrüßung: 0.143 (1x)
Bedarfsermittlung ->
Beratung: 0.500 (5x)
Abschluss: 0.300 (3x)
Bedarfsermittlung: 0.200 (2x)
Beratung ->
Abschluss: 0.571 (4x)
Bedarfsermittlung: 0.286 (2x)
Beratung: 0.143 (1x)
Abschluss ->
Verabschiedung: 0.833 (5x)
Abschluss: 0.167 (1x)
Verabschiedung ->
Verabschiedung: 1.000 (6x)
8. Exportiere HMM-Parameter...
HMM-Parameter exportiert als 'hmm_parameters.txt'
======================================================================
ARS 4.0 - BAYESSCHE VERFAHREN ABGESCHLOSSEN
======================================================================
Diskussion
Methodologische Bewertung
Die Integration Bayesscher Verfahren in die ARS erfüllt die zentralen methodologischen Anforderungen:
1. Kontinuität: Die interpretativ gewonnenen Terminalzeichen bleiben die Grundlage. Die HMM-Parameter werden aus diesen abgeleitet.
2. Transparenz: Jeder Zustand ist semantisch gehaltvoll benannt, jede Wahrscheinlichkeit ist dokumentiert.
3. Erweiterung: Unsicherheit, latente Variablen und bidirektionale Inferenz werden explizit modelliert.
Mehrwert gegenüber ARS 3.0
Die Bayessche Modellierung bietet gegenüber der reinen Grammatik mehrere Vorteile:
- Latente Variablen: Verborgene Gesprächsphasen werden explizit modelliert und können aus Beobachtungen erschlossen werden.
- Unsicherheitsquantifizierung: Jede Vorhersage wird mit einer Wahrscheinlichkeit versehen.
- Bidirektionale Inferenz: Neben der Vorhersage (Vorwärts) sind auch Rückschlüsse auf vergangene Zustände (Rückwärts) möglich.
- Filterung und Glättung: Der aktuelle Zustand kann sowohl aus vergangenen als auch aus allen Beobachtungen geschätzt werden.
Interpretation der Ergebnisse
Die Analyse der acht Transkripte mit dem HMM zeigt:
- Typische Zustandssequenzen: Die meisten Gespräche folgen dem Muster Begrüßung → Bedarfsermittlung → (Beratung) → Abschluss → Verabschiedung.
- Abweichungen: Transkript 5 beginnt direkt mit einer Verabschiedung (KAV), was auf eine besondere Interaktionssituation hinweist.
- Übergangsmuster: Die empirischen Übergangswahrscheinlichkeiten bestätigen weitgehend die aus der ARS-Grammatik abgeleiteten Werte.
Grenzen
Die Bayessche Modellierung hat auch Grenzen:
- Die Annahme der Markov-Eigenschaft (Zustand hängt nur vom letzten ab) ist eine Vereinfachung.
- Die Anzahl der latenten Zustände muss vorgegeben werden (hier 5).
- Sehr seltene Übergänge werden möglicherweise nicht erfasst.
Fazit und Ausblick
Die Integration Bayesscher Verfahren in die ARS 4.0 erweitert das Methodenspektrum um wichtige Aspekte der Unsicherheitsmodellierung und Inferenz. Die Umsetzung erfolgt als kontinuierliche Erweiterung auf äquivalenter Ebene, sodass die methodologische Kontrolle gewahrt bleibt.
Weiterführende Forschung könnte:
- Hierarchische HMM: Modellierung mehrerer Abstraktionsebenen
- Input-output HMM: Einbeziehung von Kontextvariablen (Tageszeit, Kundentyp)
- Bayessche Strukturlernverfahren: Automatische Bestimmung der Zustandsanzahl
- Coupler HMM: Gleichzeitige Modellierung von Kunde und Verkäufer
::: thebibliography
99
Murphy, K. P. (2002). Dynamic Bayesian Networks: Representation, Inference and Learning. PhD Thesis, UC Berkeley.
Pearl, J. (1988). Probabilistic Reasoning in Intelligent Systems: Networks of Plausible Inference. Morgan Kaufmann.
Rabiner, L. R. (1989). A tutorial on hidden Markov models and selected applications in speech recognition. Proceedings of the IEEE, 77(2), 257-286.
:::
Die acht Transkripte mit Terminalzeichen
Transkript 1 - Metzgerei
Terminalzeichenkette 1: KBG, VBG, KBBd, VBBd, KBA, VBA, KBBd, VBBd, KBA, VAA, KAA, VAV, KAV
Transkript 2 - Marktplatz (Kirschen)
Terminalzeichenkette 2: VBG, KBBd, VBBd, VAA, KAA, VBG, KBBd, VAA, KAA
Transkript 3 - Fischstand
Terminalzeichenkette 3: KBBd, VBBd, VAA, KAA
Transkript 4 - Gemüsestand (ausführlich)
Terminalzeichenkette 4: KBBd, VBBd, KBA, VBA, KBBd, VBA, KAE, VAE, KAA, VAV, KAV
Transkript 5 - Gemüsestand (mit KAV zu Beginn)
Terminalzeichenkette 5: KAV, KBBd, VBBd, KBBd, VAA, KAV
Transkript 6 - Käseverkaufsstand
Terminalzeichenkette 6: KBG, VBG, KBBd, VBBd, KAA
Transkript 7 - Bonbonstand
Terminalzeichenkette 7: KBBd, VBBd, KBA, VAA, KAA
Transkript 8 - Bäckerei
Terminalzeichenkette 8: KBG, VBBd, KBBd, VBA, VAA, KAA, VAV, KAV