Künstler disambiguieren und mit Normdaten abgleichen

Künstlernamen im Inventar werden gegen einen Reconciliation-Index gematcht und mit Wikipedia, ULAN und Foto Marburg angereichert.

Normdaten für die eigene Datensammlung nutzbar machen

Die Karteikarten des historischen Inventars enthalten Urhebernamen — Künstler, Werkstätten, Kupferstecher, Verleger, Notnamen („Meister von …”), Monogrammisten und anonyme Zuschreibungen. Diese Namen sind uneinheitlich geschrieben, unterschiedlich vollständig und teils durch OCR verfälscht. Damit daraus verlässliche, mit Normdaten verbundene Einträge werden, baut dieser Schritt zunächst aus allen rund 710.000 Karten — nicht mehr nur aus dem kuratierten Künstlerindex — eine saubere, entdoppelte Urheberliste auf und gleicht sie anschließend gegen einen zusammengeführten Normdatenbestand aus Wikidata, Getty ULAN und Foto Marburg (rund 1,03 Mio. Personen) ab.

Jeder Treffer wird angereichert: Lebensdaten und Orte werden zusammengeführt, ein biografischer Absatz aus der deutschen Wikipedia ergänzt, externe Identifier (GND, ULAN, VIAF, ISNI, Foto Marburg) gesammelt und Beziehungen zwischen Personen wie Lehrer-Schüler-Verhältnisse und stilistische Einflüsse aufgelöst. Das Ergebnis ist ein bereinigter Künstlerindex, in dem jede:r Urheber:in einen eindeutigen Slug, eine Konfidenzstufe und einen Link zu allen zugehörigen Karten bekommt — die Datengrundlage für Personenseiten, Filter und alphabetische Register im UI.

Weil eine falsche Verknüpfung die Forschung stärker schädigt als eine fehlende, ist das Verfahren durchgängig präzisionsorientiert: Unsichere Fälle werden nicht automatisch verknüpft, sondern in eine priorisierte Prüfliste für die manuelle Nachkontrolle geleitet. Kunsthistorische Sonderfälle — unsichere Zuschreibungen, Werkstatt/Umkreis/„nach”, Notnamen und Monogrammisten — werden dabei eigens behandelt statt eingeebnet.

Technisches Vorgehen

Der Lauf besteht aus zwei zusammenarbeitenden Hälften: einer, die aus allen Karten eine kanonische, entdoppelte Urheberliste aufbaut, und einer, die diese Liste mit dem Normdatenbestand verknüpft. Ein Prereq-Check prüft zu Beginn die OpenSearch-Verbindung und die Existenz der benötigten Indizes (artists, dewiki_content, enwiki_content).

Teil A — Kanonische Urheberliste aufbauen:

  1. Namen herauslösen — je Karte wird nach Quellenrangfolge (kuratierter Künstlerindex kue_artists vor HiDA vor dem aus dem Kartentext extrahierten Feld) der beste Urheber-Eintrag gewählt und an echten Trennzeichen zerlegt (nie am Komma, da dort meist „Nachname, Vorname” steht).
  2. Personentyp einordnen — Person, Notname, Monogrammist, anonyme Beschreibung, Werkstatt/Umkreis oder unsicher; überwiegend regelbasiert, unklare Fälle gehen an das Sprachmodell.
  3. Namensvarianten zusammenführen — exakte Übereinstimmungen (auch bei umgestellter Reihenfolge oder Akzenten) werden kostenlos zusammengeführt; Jaro-Winkler liefert Verdachtspaare für ähnliche, aber nicht identische Schreibweisen; ein Sprachmodell entscheidet darüber unter Berücksichtigung der Lebensdaten.
  4. Regionen/Epochen/Stile vereinheitlichen — Jahres-/Epochenangaben werden bewusst rein regelbasiert ermittelt, Region und Stil ordnet das Sprachmodell zu, mit Enthaltungsoption bei Unklarheit.

Ergebnis: eine kanonische Urheberliste von rund 38.800 Entitäten, die den gesamten Kartenbestand abdeckt.

Teil B — Abgleich mit Normdaten (Reconciliation):

  1. Kandidatensuche — pro bereinigtem Namen liefert die W3C Reconciliation API des zusammengeführten artists-Index (Wikidata, ULAN, Foto Marburg; rund 1,03 Mio. Personen) über BM25 die wahrscheinlichsten Kandidaten; Lebensdaten gehen als weiche Zusatzbedingung ein. Der Reconciliation-Index selbst wird in einem separaten Backend-Projekt (wd2elastic) aufgebaut — dieses Repo konsumiert ihn nur.
  2. Neubewertung (lokaler Re-Ranker) — ein rein rechnerischer, nachvollziehbarer Schritt (kein Sprachmodell), der Namensübereinstimmung, Datumsverträglichkeit, Generation/Ordnungszahl (hartes Ausschlusskriterium bei Widerspruch), Rolleneignung (reine Händler-/Verleger-/Sammlerprofile werden abgewertet), Kennungsdichte und Quellen-Autorität gegeneinander abwägt und eine nachvollziehbare Begründung mitspeichert. Das ersetzt die frühere einfache Kombination aus BM25-Score, Identifier-Boost (+30) und Jahresboost.
  3. Konfidenz-Einstufung — vier Bänder (hoch/mittel/niedrig/abgelehnt, zuvor nur drei); automatisch angenommen werden nur hoch und mittel, und auch das nur, wenn zusätzliche Schutzregeln greifen (unsichere Zuschreibungen nie automatisch, knappe gleichnamige Kandidaten gehen in die Prüfliste, kurze „berühmte” Namen gelten als risikobehaftet).
  4. KI-Endprüfung (Tail Judge) — neu gegenüber dem bisherigen Verfahren: für automatisch angenommene Fälle aus dem reinen Kartentext (dem „langen Schwanz”) prüft ein Sprachmodell (Gemini Flash) abschließend jede Zuordnung. Es kann nur bestätigen oder zurückstufen und wählt ausschließlich aus den bereits vorgelegten Kandidaten — eine Erfindung ist damit ausgeschlossen.
  5. Zusammenführung über Quellen — Datensätze aus kue_artists, HiDA und Backfill, die auf dieselbe Normdaten-Kennung treffen, werden zu einer Person zusammengeführt, damit keine Dubletten über die Quellen hinweg entstehen.

Wo ein Sprachmodell nötig ist, durchläuft die Aufgabe eine kostengeordnete Modellstaffel Qwen → Gemini Flash → Gemini Pro: Sie beginnt beim günstigsten Modell und steigt nur für den ungelösten Rest auf ein stärkeres Modell auf. Die Tail-Judge-Endprüfung (Schritt 8) bleibt bewusst bei Gemini Flash, weil Qwen dort messbar schlechter abschnitt. Ein Checkpoint-Mechanismus erlaubt das Wiederaufnehmen unterbrochener Läufe.

Die angereicherten Datensätze werden in die creatordata-Tabelle (slug-keyed) in cards.duckdb geschrieben. Ein field_sources-JSON dokumentiert pro Feld, welche Quelle den Wert geliefert hat.

Ergebnis im Überblick

Der abschließende Produktionslauf (Juni 2026) hat den Urheberbestand von 21.105 auf 45.254 Datensätze erweitert (+24.310 neue Urheber, überwiegend aus dem Backfill der ~710.000 Karten gewonnen). Von den zuvor bestehenden Datensätzen änderten 6.105 ihre angenommene Identität — darunter 4.444 zurückgenommene, zuvor unbegründete Verknüpfungen (bewusster Preis der Präzisionsorientierung), 1.206 Wechsel zu einem besser passenden gleichnamigen Eintrag und 455 erstmals belegte Verknüpfungen. Kalibrierte Vertrauensbänder: hoch 20.844 · mittel 3.039 · niedrig 14.745 · abgelehnt 6.626. Rund 24.000 Datensätze (knapp die Hälfte) wurden automatisch angenommen, rund 21.000 liegen in der nach Wichtigkeit sortierten Prüfliste. Auf handgeprüften Goldstandards und einem unabhängig zurückgehaltenen Kontrolldatensatz erreicht die automatische Verknüpfung 100 % Präzision.

Datenquellen & Werkzeuge

  • Eingaben: gesamter Kartenbestand (~710.000: Photothek, THY, HiDA, PH01–05, unislgmuc u. a.), kuratierter Künstlerindex kue_artists (~191.000, beste Namensquelle mit Vorrang), OpenSearch-Indizes artists, dewiki_content, enwiki_content, ulan.duckdb (Fallback), Foto Marburg XML
  • Normdatenbestand: zusammengeführt aus Wikidata (~820.000 Personen mit kunstbezogenen externen Kennungen), Getty ULAN (~267.000) und Foto Marburg (~100.000) — rund 1,03 Mio. Personen insgesamt, Projekt wd2elastic
  • Matching: W3C Reconciliation API (extern, wd2elastic)
  • Scoring: BM25-Kandidatensuche + lokaler Re-Ranker (Namensübereinstimmung, Datierung, Generation/Ordnungszahl, Rolleneignung, Kennungsdichte, Quellen-Autorität)
  • Sprachmodelle: Kostenstaffel Qwen → Gemini Flash → Gemini Pro; Tail Judge (Schritt 8) fest auf Gemini Flash
  • Ausgabe: cards.duckdb::creatordata, ~489.000 Karte-↔-Urheber-Verknüpfungen (rund 99,4 % aufgelöst)
  • Repository: entity-linking-creators (intern)

Ausblick

Der größte verbleibende Verlust liegt nicht in der Bewertung der Kandidaten, sondern im Auffinden seltener oder stark verfälschter Namen (Suchengpass) — eine frühe Messphase hat das gezielt herausgearbeitet. Der „lange Schwanz” aus reinem Kartentext bleibt trotz Tail-Judge-Absicherung der Bereich mit dem höchsten Restrisiko. Die Rückgewinnung von Urhebern aus reinen Werktiteln ist vorerst ausgesetzt, weil sie Urheber mit dargestellten Personen verwechseln kann. Das frühere Auswertungsskript des Backend-Repos (evaluate_linking.py, Jaro-Winkler/Levenshtein/Damerau-Levenshtein/Jaccard gegen den Karteikartennamen) diente als Diagnosewerkzeug für die jetzt produktiv eingesetzte Neubewertung (Schritt 6) und bleibt für künftige Nachjustierungen des Re-Rankers verfügbar.