# Wurzelwerk — Phase 2: Aufbereitung Reichert `raw_items` deterministisch an: Dubletten, Akteure, Orte, Tonalität, Embeddings. Kein LLM, kein Sampling, keine Netzabfrage zur Laufzeit — das Ergebnis hängt allein an der Eingabe und der `coder_version`. Setzt das Ingest-Schema aus [swp-01-ingest](https://git.bnd.wtf/irrlicht/swp-01-ingest) voraus und schreibt ausschließlich nach `codings`. `raw_items` bleibt unberührt. Spezifikation: [`phase_02_spec.md`](phase_02_spec.md). ## Dateien | Datei | Zweck | |---|---| | `phase_02_spec.md` | Spezifikation der fünf Module und ihrer Abnahmekriterien | | `migrations/` | Schemaänderungen, aufsteigend anzuwenden | | `db.py` | Auflösung von `DATABASE_URL`, Verbindung | | `check_db.py` | Rauchtest: Anmeldung, Bestand, fehlende Voraussetzungen | | `normalisierung.py` | Textnormalisierung und Trigramme, gemeinsam für alle Module | | `version.py` | `coder_version` aus den Komponenten | | `dubletten.py` | Modul 1: exakte Übernahmen | | `test_dubletten.py` | Testfälle dazu, ohne Datenbank | | `revisionen.py` | Modul: nachträglich geänderte Schlagzeilen | | `test_revisionen.py` | Testfälle dazu, ohne Datenbank | | `embeddings.py` | Modul 5: Satzvektoren | | `akteure.py` | Modul 4: Akteursauflösung gegen das Lexikon | | `test_akteure.py` | Testfälle dazu, ohne Datenbank und ohne spaCy | | `lexikon.py` | Wikidata spiegeln (`--spiegeln`), von Hand, nicht im Takt | | `lexikon_laden.py` | Spiegel in `akteure` und `amtsinhaber` laden | | `lexikon/` | Der Spiegel selbst, versioniert, plus `hand.json` | | `phase2.py` | Läufer: alle Module in fester Reihenfolge | | `Containerfile` | Laufzeitumgebung, identisch auf Dev und Prod | | `deploy/` | systemd-Units und Umgebungsbeispiel für Prod | ## Einrichtung ```sh python3 -m venv .venv .venv/bin/pip install -r requirements.txt cp .env.example .env && chmod 600 .env && $EDITOR .env .venv/bin/python check_db.py ``` ## Migrationen Aufsteigend anwenden, auf Dev und Prod dieselben Dateien in derselben Reihenfolge. Welche schon liefen, steht in `schema_migrationen`: ```sh psql "$ADMIN_DATABASE_URL" -v ON_ERROR_STOP=1 -f migrations/p2-000-migrationsbuch.sql psql "$ADMIN_DATABASE_URL" -v ON_ERROR_STOP=1 -f migrations/p2-001-codings-mehrschichtig.sql # Stand abfragen psql "$DATABASE_URL" -c 'select name, angewandt_am from schema_migrationen order by name' ``` Die Zählung trägt das Präfix `p2-`, weil die Ingest-Migrationen eine eigene haben und beide auf dieselbe Datenbank laufen. Zwei Migrationen brauchen einen Superuser, weil sie Rechte vergeben, die sie selbst noch nicht haben: `p2-002` (`create extension vector` — pgvector ist nicht als `trusted` gekennzeichnet) und `p2-003` (Besitzerwechsel). Im Dev-Container über den lokalen Socket: ```sh podman exec -i postgres psql -U postgres -d wurzelwerk -v ON_ERROR_STOP=1 -f - < migrations/p2-003-eigentuemer.sql ``` Alle übrigen laufen über `DATABASE_URL`. Seit `p2-003` gehören die Tabellen der Rolle `wurzelwerk` statt `postgres` — vorher scheiterte jedes `alter table` mit `must be owner of table codings`, und die Datenbank war damit der einzige Ausreißer auf der Instanz: `gitea` und `hedgedoc` besitzen ihre Tabellen vollständig. Die Erweiterungen selbst (`pg_trgm`, `vector`) bleiben beim Superuser, wo sie hingehören. ## Voraussetzungen an die Datenbank Das Embedding-Modul braucht `pgvector`. Im offiziellen Image `postgres:latest` ist die Erweiterung nicht enthalten; der Postgres-Container läuft deshalb auf `docker.io/pgvector/pgvector:pg18-trixie` — derselbe Build wie das offizielle Image (`18.6-1.pgdg13+2`, Debian 13, glibc 2.41), nur mit pgvector zusätzlich. Der Tag ist mit Bedacht gewählt. Auf derselben Instanz liegen weitere Dienste; ein Wechsel der Hauptversion oder der Distribution wäre ein Ausfall, ein Wechsel der glibc ein Collation-Problem in den Textindizes aller Datenbanken (`datlocprovider = 'c'`). `pg18-trixie` schließt beides aus und zieht nur Minor-Updates nach. Die versionierten Tags (`0.8.4-pg18-trixie`) taugen dafür nicht: sie hängen der Postgres-Minor-Version hinterher und hätten 18.6 auf 18.4 zurückgedreht. Das Anlegen der Erweiterung in `wurzelwerk` ist davon getrennt und geschieht in `p2-002`, nicht beim Containerstart. Ein Vektor belegt 4100 Byte. Bei den derzeit rund 1400 Items pro Tag sind das etwa 2 GB im Jahr, mit HNSW-Index eher das Doppelte — tragbar. Die in der Spezifikation angenommenen 200–400 Items je Slot wären rund 38.000 am Tag und damit etwa 55 GB im Jahr, **je `coder_version`**. Ein Modellwechsel verdoppelt den Bedarf, bis der alte Bestand gelöscht ist. Sollte es eng werden, halbiert `halfvec(1024)` den Platz. ## Grenzen des Datensatzes Volltext liefert nur ein Teil der Quellen — Ingest liest RSS, und viele Häuser geben dort keinen `content:encoded` heraus (Stand 7.9.2026: faz 311/489, heise 174/196, aber derstandard, welt, dlf, taz, sz jeweils 0). Das ist keine Lücke, die sich schließen lässt, sondern eine Eigenschaft der Quellen. Module müssen auf Titel und Teaser allein tragfähig bleiben und dürfen die Vergleichsbasis nicht davon abhängig machen, ob ein Item zufällig Volltext hat. ## Modul 1: Dubletten ```sh .venv/bin/python dubletten.py --backfill # Gesamtbestand .venv/bin/python dubletten.py --slot 2026-09-07T08:00 # ein Poll-Slot .venv/bin/python dubletten.py --backfill --trocken --stichprobe 200 .venv/bin/python dubletten.py --backfill --basis titel+teaser # die andere Basis .venv/bin/python -m unittest test_dubletten ``` Normalisierung, SimHash über Wort-Trigramme, Kandidaten über gemeinsame SimHash-Bänder, Bestätigung über Jaccard, Union-Find. Jedes verarbeitete Item bekommt eine Zeile, auch ein Einzelstück — sonst ließe sich „keine Dublette" nicht von „nicht verarbeitet" unterscheiden. Unveränderte Zeilen werden nicht angefasst, `kodiert_am` bleibt also stehen, wenn sich nichts geändert hat. Gesamtbestand (3407 Items) 0,2 s, ein Slot 0,4 s. Das Zeitbudget von 3 Minuten je Slot ist für dieses Modul kein Thema. **Ergebnis auf dem Bestand vom 4.–7.9.2026:** 135 Gruppen mit 290 Mitgliedern, davon 63 Gruppen mit 143 Items über mehrere Häuser hinweg — das ist der eigentliche Zweck. Größte Gruppe: fünf Häuser mit derselben Zeile über den Start der Isar-Aerospace-Rakete. ### Vier Abweichungen von der Spezifikation **Vergleichsbasis ist der Titel, nicht Titel + Teaser.** Gemessen wurde beides. Über Titel + Teaser findet das Verfahren auf diesem Bestand *keine einzige* hausübergreifende Übernahme; über den Titel allein 63 Gruppen. Grund: die Häuser übernehmen die Agenturüberschrift wörtlich und schreiben den Teaser selbst, der Teaser verdünnt also genau das Signal, das trägt. Die Zahlen stehen in `NOTES.md`. `--basis titel+teaser` schaltet auf die alte Basis zurück; sie ergibt eine eigene `coder_version` und überschreibt nichts. **Das Ressortkürzel vor dem Titel wird abgetrennt.** `Raumfahrt: Deutsche Rakete …` und `Deutsche Rakete …` sind dieselbe Meldung, `Notfälle:` und `Flugverkehr:` stehen vor derselben dpa-Zeile. Die Regel ist eng gefasst: höchstens vier Wörter vor dem Doppelpunkt, mindestens fünf danach — sonst verlöre `Habeck: Wir haben uns geirrt` seine Aussage. **Die Gruppen-UUID kommt vom Leitartikel, nicht aus der Mitgliedermenge.** Sonst änderte ein später eintreffendes Mitglied die Kennung einer Gruppe, die Phase 3 bereits kodiert hat. Der Leitartikel ist das älteste Mitglied; ein neues Mitglied ist zwangsläufig jünger und verschiebt das Minimum nicht. **Dasselbe Haus an verschiedenen Tagen wird nicht gepaart.** Wiederkehrende Formate — „tagesschau in 100 Sekunden", „Wetter", „Die Nachrichten" — sind zeichengleich, aber jeweils ein eigener Vorgang. Ohne diese Regel wuchsen sie transitiv zu einer Gruppe aus 19 Sendungen über drei Tage zusammen. ### Warum ein Slot-Lauf seinen Rand wachsen lässt Die Items eines Slots brauchen ihre Partner im Datumsfenster, diese Partner ihrerseits ihr eigenes Fenster. Ein fester Rand genügt trotzdem nicht: Übernahmen bilden Ketten — dieselbe Schlagzeile erscheint am Montag bei einem, am Dienstag beim zweiten, am Mittwoch beim dritten Haus. Wird eine solche Kette am geladenen Rand abgeschnitten, fällt die Gruppe anders aus als im Backfill. Der Lauf lädt deshalb, gruppiert, und lädt erneut, solange eine Gruppe bis an den Rand reicht. Geschrieben wird nur der innere Bereich, in dem jedes Item seine vollständige Nachbarschaft gesehen hat. Nachgewiesen: nach einem Backfill ändern beliebig viele Slot-Läufe nichts mehr (`neu 0, geändert 0`), und ein anschließender Backfill ebenso wenig. Live-Lauf und Neuaufbau liefern dasselbe Ergebnis — Invariante 2 und 4. ### Was bleibt Auf dem gemessenen Tag findet das Verfahren 42 von 45 hausübergreifenden Paaren. Die drei fehlenden gehen am SimHash-Bandvorfilter verloren, nicht an den Schwellen — bei sechs bis acht Trigrammen je Titel ist SimHash grob. Ein Trigramm-Index als zweiter Kandidatenweg würde sie einfangen; das ist nicht gebaut, weil die Spezifikation Präzision über Recall stellt. Die Stichprobe (`--stichprobe 200`) schreibt die Paare zum Prüfen von Hand heraus, die zweifelhaftesten zuerst. Sie enthält Titel im Klartext und ist deshalb nicht eingecheckt. ## Modul: Revisionen Nicht in der Spezifikation. Der Befund fällt aus einer Eigenschaft der Phase-1-Umsetzung ab: Ingest schreibt jede geänderte Fassung eines Items nach `raw_item_versionen` fort, statt sie zu überschreiben. Damit steht in der Datenbank, was sonst nur mit eigener Erhebung zu bekommen ist — welches Haus seine Schlagzeile nachträglich umschreibt, und wie. ```bash python3 revisionen.py --backfill python3 revisionen.py --slot 2026-09-07T08:00 python3 revisionen.py --backfill --trocken --stichprobe 140 ``` Das Modul braucht kein Modell, kein Lexikon und keinen Netzzugriff — nur einen Wortvergleich zweier Fassungen desselben Artikels (`difflib`). ### Die acht Einstufungen Zwischen zwei aufeinanderfolgenden Fassungen, von der engsten Prüfung zur weitesten: | Einstufung | Bedeutung | |---|---| | `unveraendert` | nichts geändert | | `formal` | nur Zeichensetzung, Anführungszeichen, Schreibung | | `tippfehler` | ein Wort korrigiert (»Waldesaster« → »Wahldesaster«) | | `kopfwechsel` | nur der Teil vor dem Doppelpunkt | | `erweiterung` | nur ergänzt — meist eine neue Tatsache | | `kuerzung` | nur gestrichen | | `umformulierung` | beides, die Aussage steht noch | | `neufassung` | die Schlagzeile ist ausgetauscht | Dazu `zurueckgenommen`, das nur auf Item-Ebene vorkommt: zwischendurch geändert, am Ende steht wieder die erste Fassung. Genau ein Fall im Bestand — die FAZ setzte ein »dessen« ein und strich es wieder. `art` und `aehnlichkeit` vergleichen die **erste mit der letzten** Fassung — was ist aus der Schlagzeile geworden. `arten` hält jeden einzelnen Schritt fest — auf welchem Weg. ### Fortschreibungen müssen abziehbar sein Ein Liveticker wechselt seine Überschrift stündlich, ohne dass eine Redaktion ihre Darstellung revidiert hätte. Als »Neufassung« gezählt überdeckt er genau den Befund, um den es geht. Zwei Merkmale in der Nutzlast machen ihn abziehbar: * `ticker_markiert` — der Titel nennt sich selbst so (»Liveticker«, »Newsblog«, »Liveblog«, »Livestream«, »Live:«). Trifft 10 Items. * `kopf_stabil` — der Text vor dem ersten Doppelpunkt blieb über alle Fassungen derselbe. Zusammen mit `art = neufassung` ist das die Bauform einer Fortschreibung: feste Rubrik, ausgetauschter Stand. Trifft 33 Items. Absichtlich zwei Merkmale statt einer Kategorie »Ticker«: das erste ist eine Selbstauskunft des Hauses, das zweite eine Beobachtung am Satzbau. Sie zu einem Urteil zu verschmelzen würde eine Sicherheit behaupten, die keins von beiden hat. Auf `+++`-Kästen wird bewusst nicht geprüft: das Handelsblatt setzt »+++ USA +++:« als Ressortmarke, nicht als Tickerkennzeichen. ### Zwei Kopfbegriffe, mit Absicht `normalisierung.ressort_teilen()` prüft, ob der Kopf höchstens vier Wörter misst und dahinter noch ein vollständiger Satz steht. Diese Vorsicht ist nötig, wo der Kopf *abgeschnitten* wird — »Habeck: Wir haben uns geirrt« darf seinen nicht verlieren. `revisionen.teilen()` verzichtet darauf, weil hier nichts abgeschnitten, nur verglichen wird. Die Wortgrenze schadete dort: »CDU-Desaster in Sachsen-Anhalt:« hat drei Wörter, »CDU-Desaster bei Wahl in Sachsen-Anhalt:« fünf, und der Wechsel zwischen beiden fände sonst nicht statt. `kopfwechsel` ist damit eine Aussage über den Satzbau, nicht über das Gewicht: bei »Fußball-Bundesliga: X« → »X« wechselt eine Rubrik, bei »Habeck: X« → »Scholz: X« der Sprecher. Welcher Fall vorliegt, steht in `hinzu` und `entfernt`. ### Kein Rand nötig Anders als beim Dublettenmodul hängt eine Zeile allein an den Fassungen ihres eigenen Items — keine Nachbarschaft, kein Datumsfenster, kein mitzuladender Rand. Ein Slot-Lauf lädt die Items, von denen im Slot eine neue Fassung eintraf, samt ihrer *älteren* Fassungen, und rechnet für sie dasselbe wie ein Backfill. Nachgewiesen über den ganzen Bestand: 106 Slot-Läufe nacheinander erzeugen für alle 3407 Items bitgleich dieselbe Nutzlast wie ein Backfill — 0 fehlend, 0 überzählig, 0 abweichend (Invariante 2 und 4). ### `konfidenz` bleibt leer Die Einstufung ist regelbasiert und trifft zu oder nicht; eine Zahl daneben behauptete eine Wahrscheinlichkeit, die das Verfahren nicht kennt. Das Maß der Änderung steht als `aehnlichkeit` in der Nutzlast, wo es hingehört. ### Wortlisten in der Nutzlast `hinzu` und `entfernt` halten die geänderten Wörter fest, auf je zwölf gekappt (`gekappt` sagt, ob gekürzt wurde). Ohne sie wäre die Angabe »umformulierung« nicht nachprüfbar; aus zwei Listen von je einem Dutzend Wörtern lässt sich keine Schlagzeile zurückbauen. Der Constraint `codings_kein_volltext` bleibt gewahrt — ein Testfall prüft es mit. ## Container Phase 2 läuft auf Prod in einem rootless Podman-Container, der selbst rootless liegt. Für die Module ist das folgenlos: Encoder-Inferenz ist reine Userspace-Rechnung — keine Geräteknoten, keine Kernelmodule, keine privilegierten Syscalls, kein GPU-Durchgriff. ```bash podman build -t wurzelwerk-p2 . podman volume create wurzelwerk-modelle podman run --rm --network=pasta \ --volume wurzelwerk-modelle:/cache:U \ --memory=8g --shm-size=1g \ --env DATABASE_URL="postgresql://wurzelwerk:…@host.containers.internal:5432/wurzelwerk" \ localhost/wurzelwerk-p2 phase2.py --aufholen ``` `host.containers.internal` zeigt aus dem Container auf den Host, wo Postgres seinen Port veröffentlicht. Das `:U` am Volume ist nicht optional — der Container läuft als UID 10001, ein frisch angelegtes Volume gehört root im User-Namespace, und ohne die Umschreibung scheitert der erste Schreibzugriff auf den Modell-Cache. ### Vier Dinge, die der Container ausdrücklich braucht * **`OMP_NUM_THREADS`.** PyTorch liest die CPU-Zahl am Host ab, nicht die cgroup-Quota; ohne feste Zahl startet es mehr Threads als es Kontingent hat. Wichtiger noch: die Threadzahl bestimmt die Reihenfolge der Gleitkommaadditionen und damit die letzten Stellen jedes Vektors. Sie steht deshalb in der `coder_version`. * **Ein Volume für `/cache`.** 2,2 GB Modellgewichte im Container-Layer wären bei jedem Neubau weg. * **`--memory`.** Damit ein Ausrutscher den Host nicht mitnimmt. * **`--shm-size`.** Podmans Vorgabe von 64 MB reicht nicht, sobald je Worker-Prozesse dazukommen. ### torch aus dem CPU-Index `pip install torch` von PyPI zieht mehrere Gigabyte CUDA-Bibliotheken nach, die auf dem Server nichts ausrichten können — der SM750 ist ein Anzeigechip. Das Containerfile installiert deshalb ausdrücklich aus `https://download.pytorch.org/whl/cpu`, in einer eigenen Schicht vor dem Kopieren der Anforderungsdateien, damit 196 MB nicht bei jeder Änderung neu geladen werden. ### Nachgewiesene Portabilität Die regelbasierten Module liefern im Container (Debian trixie, Python 3.13) für alle 3407 Items bitgleich dieselbe Nutzlast wie auf der Entwicklungsmaschine (Fedora, Python 3.14) — `neu 0, geändert 0, unverändert 3407` bei Dubletten wie Revisionen. ### Betrieb `deploy/` enthält `wurzelwerk-p2.service` und `.timer` als Vorlage. Kein Quadlet: Phase 2 ist kein Dienst, der läuft, sondern ein Auftrag, der fällig wird. Der Timer feuert versetzt zum 15-Minuten-Raster von Phase 1 (`*:03,18,33,48`), damit der Slot vollständig in `raw_items` steht, bevor daraus kodiert wird. `phase2.py --aufholen` arbeitet alle Slots nach, denen eine Kodierung fehlt — ein ausgefallener Lauf holt sich beim nächsten Mal selbst ein. Zugangsdaten stehen in `~/.config/wurzelwerk/p2.env` (chmod 600), nicht im Repo und nicht in der Unit. Vorlage: `deploy/p2.env.beispiel`. ## Modul 5: Embeddings ```bash python3 embeddings.py --backfill --index python3 embeddings.py --slot 2026-09-07T08:00 python3 embeddings.py --nachweis 64 # Determinismus messen, nichts schreiben ``` `intfloat/multilingual-e5-large`, 1024 Dimensionen, MIT-Lizenz. Der Vektor liegt in `item_embeddings`, die Coding-Zeile der Schicht `embedding` hält nur die Kennung — ein Vektor in JSONB wäre weder indizierbar noch platzsparend. Kein LLM: ein Encoder. Text hinein, Vektor heraus — kein Prompt, keine Sampling-Temperatur, keine Textausgabe, feste Gewichte, nach dem ersten Laden kein Netzzugriff (`HF_HUB_OFFLINE=1`, Modell lädt in 2 s aus dem Volume). ### Warum feste Tokenlänge das Kernstück ist Ein Encoder rechnet stapelweise. Füllt man nur bis zur längsten Zeile des Stapels auf — was jede Bibliothek von sich aus tut —, ändert sich die Form der Matrizen mit der Zusammensetzung des Stapels und damit die Reihenfolge der Gleitkommaadditionen. Ein Slot-Lauf über 31 Items lieferte dann andere letzte Stellen als ein Backfill über 3407, und die Zusage »Live-Lauf gleich Neuaufbau« wäre hin. `embeddings.py` füllt deshalb **jede** Zeile auf feste 128 Token auf. Jeder Stapel hat dieselbe Form, eine Zeile hängt nicht mehr von ihren Nachbarn ab. Gemessen (`--nachweis 64`, im Container): ``` bitgleich einzeln: 64/64 groesste Abweichung 0.00e+00 bitgleich rueckwaerts:64/64 groesste Abweichung 0.00e+00 ``` Dieselben Zeilen einzeln kodiert, im vollen Stapel und in umgekehrter Reihenfolge — bitidentisch. Deshalb wird `transformers` direkt benutzt und nicht `sentence-transformers`: letzteres kapselt genau diese Stelle weg (und zöge scipy und scikit-learn nach, die hier nichts tun). 128 Token ist gemessen, nicht geraten: Median 62, p95 90, p99 107. Drei von 3407 Items reißen die Grenze, davon zwei Sendungsabläufe (»tagesschau 20:00 Uhr«), die alle Themen der Sendung auflisten. Der Lauf meldet die Zahl und warnt erst oberhalb von einem Prozent. ### Was in die `coder_version` eingeht Modell **und Modellrevision** (`3d7cfbda…`), Tokenlänge, Füllart, Pooling, Normierung, dtype, Stapelgröße, **Threadzahl** und **torch-Version**. Die letzten beiden, weil sie die Reihenfolge der Summen bzw. die gewählten Kernel bestimmen. Der Hash sagt damit nicht nur, welches Modell gemeint war, sondern welche Gewichte in welcher Umgebung gerechnet haben. ### Was die Vektoren leisten Sie finden dieselbe Geschichte in anderer Formulierung — genau das, was das Dublettenmodul nicht kann. Paare über 0.94 Kosinus, die Modul 1 nicht zusammengeführt hat: ``` 0.992 [zeit] Michael Mendl: Schauspieler Michael Mendl mit 82 Jahren gestorben [faz] Im Alter von 82 Jahren: Charakterdarsteller Michael Mendl gestorben 0.991 [tagesschau] Friedensbemühungen - Trump-Gesandte reisen nach Moskau und Kiew [welt] Trump-Gesandte in Moskau und Kiew erwartet ``` Phase 2 clustert daraus nichts. Der Vektor ist Vorfilter für die Kandidatengenerierung in Phase 3b (Abschnitt 7 der Spezifikation). ### Laufzeit und Platz, gemessen 3407 Items in **683 s** bei 4 Threads (5 Items/s). Beim jetzigen Aufkommen von durchschnittlich 32 Items je Slot sind das ~7 s, beim größten Slot des Bestands (812 Items) ~160 s — bei einem 15-Minuten-Raster unkritisch. `item_embeddings` belegt 19 MB Heap für 3407 Vektoren, der HNSW-Index weitere 26 MB. Der Index kostet also mehr als die Daten; die Faustregel »mit HNSW eher das Doppelte« aus dem Abschnitt zum Platzbedarf ist damit bestätigt. ## Modul 4: Akteure Löst Personen, Organisationen, Parteien, Staaten und Ämter auf stabile IDs auf. Kein Netzzugriff zur Laufzeit, kein Modell, das etwas benennt — die NER liefert nur, *wo* etwas steht, das Lexikon entscheidet, *was* es ist. ``` lexikon.py --spiegeln # Wikidata abfragen, von Hand, selten lexikon_laden.py # Spiegel in die Tabellen akteure.py --backfill # Gesamtbestand kodieren akteure.py --slot '' # ein Slot ``` ### Der Spiegel ist eine Abschrift, keine Auslegung `lexikon/*.json` enthält, was Wikidata geantwortet hat — unverändert, mit `MANIFEST.json` als Beleg (Stand, Zeilenzahl, Hash der Abfrage). Jede Ableitung daraus — IDs, Rollen, Aliase, Amtszeiten — geschieht in `lexikon_laden.py`. Wer eine Zuordnung ändern will, ändert den Lader und lädt neu; Wikidata wird dafür nicht ein zweites Mal befragt. Das ist kein Selbstzweck. Die Wikidata Query Service ist ein spendenfinanzierter öffentlicher Dienst, und eine Pipeline, die alle 15 Minuten dagegenläuft, wäre Schmarotzertum. ### Warum das Lexikon den Typ bestimmt, nicht das Modell `de_core_news_lg` hält `Merz` für einen Ort, `Landtagswahl` für einen Ort und `Ukraine-Krieg` für eine Person. Die NER-Typen sind deshalb nur Herkunftsvermerk; sie stehen in der Nutzlast als `ner_typ`, entscheiden aber nichts. Für die Geokodierung bleiben sie als Vorfilter nützlich. ### Was eine Auflösung wert ist | Methode | Konfidenz | Bedeutung | |---|---|---| | `alias` | 0,95 | volle Namensform oder Alias aus dem Lexikon | | `alias_ohne_anrede` | 0,90 | nach Abzug von »US-Präsident«, »Bundesminister« | | `amt` | 0,90 | Amt, gegen `pubdate` auf eine Person aufgelöst | | `nachname` | 0,80 | Nachname, im Lexikon eindeutig | | `fuzzy` | 0,60 | Editierdistanz, längenabhängig begrenzt | Bei Mehrdeutigkeit entscheidet der Kontext (wird die Partei eines Kandidaten im selben Item genannt?), und wenn auch der nicht reicht, bleibt die Nennung **unaufgelöst**. Ein Münzwurf wäre hier der schlimmere Fehler, weil er in der Zeitreihe nicht auffällt. ### Ämter sind zeitabhängig, und das ist der Punkt `amtsinhaber` hält fest, wer wann welches Amt hatte. »Der Kanzler« löst am 1. März 2023 auf Scholz auf und am 7. September 2026 auf Merz. Die Intervalle sind halboffen: der Tag der Übergabe gehört dem Nachfolger. Ohne diese Konvention wäre jeder Amtswechsel eine Überschneidung, weil Wikidata den Übergabetag bei beiden einträgt. ### Keine Ausschlussbeschränkung gegen Überschneidungen Sie wäre falsch. Doppelspitzen sind im deutschen Parteiensystem der Normalfall, und Bremen führt »Bürgermeister« als kollegiales Amt mit mehreren gleichzeitigen Inhabern. Gleichzeitig *ist* eine Überschneidung beim Kanzleramt ein Datenfehler. Die Unterscheidung hängt am Amt, nicht an der Zeile, und lässt sich in einer Beschränkung nicht ausdrücken — also macht die Sicht `amtsinhaber_ueberschneidungen` sie sichtbar, statt sie zu verbieten. ### Handpflege `lexikon/hand.json` ergänzt, was durch jede Spiegelabfrage fällt: die NATO (bei Wikidata ein Militärbündnis, keine internationale Organisation), der Bundestag (ein Parlament), Apple und Microsoft (haben kein deutsches Label). Jeder Eintrag trägt eine Begründung. QIDs gehören **geprüft** hinein — eine geratene QID hängt den Eintrag an ein fremdes Objekt. Die Sicht `akteure_unaufgeloest` zählt aus, was die NER fand und das Lexikon nicht kannte. Das ist der laufende Handarbeitsposten der Phase.