Diese Dissertation setzt maschinelles Lernen ein, um aus linguistisch annotierten Textsammlungen Modelle für die Analyse natürlicher Sprache zu trainieren (Natural Language Processing, NLP), beispielsweise für die Ermittlung der syntaktischen Struktur von Sätzen in einem Textdokument. Die Suchräume, die sich in diesem Bereich ergeben, sind in der Regel so umfangreich, dass exakte Suchverfahren nicht in Frage kommen. In der Praxis muss jeder Ansatz einen Kompromiss finden zwischen der Ausdrucksstärke der verwendbaren Features einerseits und der Effizienz des Suchverfahrens andererseits.

Die Arbeit präsentiert ein Meta-Framework, das sich für unterschiedliche Aufgaben aus der maschinellen Sprachverarbeitung instantiieren lässt und das es jeweils erlaubt, mit alternativen Strategien beim maschinellen Lernen zu experimentieren. So wird eine systematische Untersuchung von Verfahren des inkrementellen Lernens mit latenten linguistischen Strukturen und approximativen Suchverfahren ermöglicht. Es zeigt sich, dass etablierte Methoden aus der aktuellen NLP-Forschung sehr empfindlich sind, was die Wahl von Updatemethoden betrifft. Wir schlagen neue Updatemethoden vor und zeigen, dass diese zu mindestens gleichwertigen Ergebnissen führen, in einigen Fällen jedoch zu erheblichen Qualitiätsverbesserungen. Die Resultate tragen zu einem vertieften Verständnis der Charakteristika unterschiedlicher Analyseaufgaben bei.