Korpusextraktion

Die Korpusextraktion ist ein wesentlicher Prozess in der Sprachverarbeitung, bei dem große Mengen von Textdaten gesammelt und organisiert werden, um Muster und Strukturen in der Sprache zu analysieren. Dieser Prozess ermöglicht es, linguistische Forschungsfragen zu beantworten und Anwendungen wie maschinelles Lernen oder Sentiment-Analyse zu unterstützen. Indem Du Dich mit Korpusextraktion beschäftigst, lernst Du, wie man relevante Textdaten effektiv für wissenschaftliche oder kommerzielle Zwecke extrahiert und nutzt.

Los geht’s

Lerne mit Millionen geteilten Karteikarten

Leg kostenfrei los

Brauchst du Hilfe?
Lerne unseren AI-Assistenten kennen!

Upload Icon

Erstelle automatisch Karteikarten aus deinen Dokumenten.

   Dokument hochladen
Upload Dots

FC Phone Screen

Brauchst du Hilfe mit
Korpusextraktion?
Frage unseren AI-Assistenten

Review generated flashcards

Leg kostenfrei los
Du hast dein AI Limit auf der Website erreicht

Erstelle unlimitiert Karteikarten auf StudySmarter

StudySmarter Redaktionsteam

Team Korpusextraktion Lehrer

  • 12 Minuten Lesezeit
  • Geprüft vom StudySmarter Redaktionsteam
Erklärung speichern Erklärung speichern
Inhaltsverzeichnis
Inhaltsverzeichnis

Springe zu einem wichtigen Kapitel

    Grundlagen der Korpusextraktion

    Die Korpusextraktion ist ein wesentlicher Prozess in der Informatik, der sich mit der Sammlung und Aufbereitung von Textdaten beschäftigt. Durch die systematische Analyse dieser Daten können wertvolle Informationen extrahiert werden, was in zahlreichen Anwendungen nützlich ist.

    Korpusextraktion und ihre Bedeutung

    Korpusextraktion spielt eine entscheidende Rolle in der Verarbeitung natürlicher Sprache (NLP). Dabei handelt es sich um den Prozess, große Mengen unstrukturierter Texte systematisch zu sammeln und zu organisieren. Dies ermöglicht es Informatikern und Datenwissenschaftlern, linguistische Muster zu analysieren und Modelle zu entwickeln, die das menschliche Sprachverständnis verbessern.Die Bedeutung der Korpusextraktion erstreckt sich über zahlreiche Anwendungsbereiche:

    • Suchmaschinen: Verbesserung der Genauigkeit von Suchergebnissen durch Analyse von Webinhalten.
    • Spracherkennung: Verbessern der Genauigkeit von Spracherkennungssoftware durch Training auf großen Textkorpora.
    • Übersetzungsdienste: Hilfe bei der Entwicklung von maschinellen Übersetzungsmodellen.
    Ein effektiver Korpusextraktionsprozess beinhaltet mehrere Schritte, darunter das Sammeln, Bereinigen und Strukturieren der Daten. All diese Schritte sind entscheidend, um ungenaue oder irrelevante Daten zu vermeiden, die die Ergebnisse der Analyse verfälschen könnten.

    Ein typisches Beispiel für Korpusextraktion ist die Erstellung eines sentimentalen Analysetools, das Kundenfeedback analysiert. Die Extraktion eines Kundenfeedbacks-Rohtextkorpus und dessen Analyse kann Einblick geben, ob das Feedback überwiegend positiv, negativ oder neutral ist.

    Unterschied zwischen Korpusextraktion und Informationsextraktion

    Obwohl Korpusextraktion und Informationsextraktion naheliegend klingen, gibt es wichtige Unterschiede zwischen den beiden Konzepten. Die Korpusextraktion konzentriert sich auf das Sammeln und Vorbehandeln zahlreicher Textdaten, um eine große Datenbasis aufzubauen. Dies beinhaltet oft die Identifizierung relevanter Textquellen und deren Organisation.Auf der anderen Seite zielt die Informationsextraktion darauf ab, spezifische Informationen aus einem bestehenden Textkorpus herauszufiltern und zugänglich zu machen. Dazu gehört das Extrahieren von Entity-Daten wie Namen oder Datumsangaben aus bereits gesammelten Texten.

    KorpusextraktionInformationsextraktion
    Sammelt und strukturiert TexteExtrahiert spezifische Informationen
    Fokus auf DatensammlungFokus auf Datenanalyse
    Beide Techniken sind essenziell für NLP, jedoch in verschiedenen Phasen des Datenverarbeitungsprozesses angesiedelt.

    Manchmal überschneiden sich die Prozesse der Korpusextraktion und Informationsextraktion, insbesondere in hybriden Systemen.

    Rolle der Tokenisierung bei der Korpusextraktion

    Ein kritischer Schritt in der Korpusextraktion ist die Tokenisierung. Tokenisierung bezieht sich auf die Aufteilung eines Textes in kleinere Einheiten, sogenannte Tokens. Diese Einheiten können Wörter, Sätze oder sogar Teile von Sätzen sein.Der Prozess der Tokenisierung ist wichtig, weil:

    • Er die Grundlage für viele NLP-Anwendungen legt.
    • Er die Erkennung von Wortgrenzen erleichtert.
    • Er die Bearbeitung von Sprachmustern ermöglicht, die Algorithmen zur Textanalyse benötigen.
    Eine typische Methode zur Tokenisierung ist die Satz-Tokenisierung, gefolgt von Wort-Tokenisierung. Das Ziel ist es, durch diese Einheiten den Text leichter analysieren zu können und dadurch genauere Informationen für spezifische Anwendungen zu gewinnen.

    In der Welt der Korpusextraktion haben unterschiedliche Sprachen und Kulturen spezifische Herausforderungen für die Tokenisierung. Beispielsweise verwenden ostasiatische Sprachen wie Chinesisch und Japanisch keine Leerzeichen zwischen Wörtern. Dies erfordert spezielle algorithmische Ansätze, um die Wörter korrekt zu identifizieren und zu trennen. Die Tokenisierung solcher Sprachen erfordert oft den Einsatz zusätzlicher Techniken wie der Verwendung von Wörterbüchern und maschinellem Lernen, um genaue Ergebnisse zu erzielen.

    Methoden der Korpusextraktion

    Die Korpusextraktion ist ein kritischer Prozess in der Informatik, der Methoden und Techniken umfasst, um Textdaten effizient zu sammeln und zu analysieren. Verschiedene Ansätze helfen dabei, strukturierte Informationen aus großen Textmengen zu gewinnen.

    Techniken der Datenextraktion für Korpusextraktion

    Bei der Korpusextraktion kommen verschiedene Techniken zum Einsatz, um die Vielzahl der Textdaten optimal zu nutzen:

    • Crawling: Automatisiertes Sammeln von Webinhalten durch spezialisierte Software, sogenannte Crawler oder Spider.
    • Scraping: Extrahieren spezifischer Informationen von Webseiten mithilfe von Programmen oder Skripten.
    • Parsing: Analysieren von Texten zur Strukturierung und Kategorisierung von Datenelementen.
    Diese Techniken ermöglichen es, Textdaten effizient zu verarbeiten und als Grundlage für weitergehende Analysen im Bereich der natürlichen Sprachverarbeitung (NLP) zu nutzen.

    Ein Beispiel für den Einsatz von Scraping ist die Extraktion von Produktinformationen aus einem Online-Shop. Ein Skript könnte die Produktnamen, Preise und Bewertungen von Webseiten extrahieren und in einer strukturierten Form speichern.

    Die Automatisierung, ein wichtiger Aspekt bei der Korpusextraktion, erleichtert die Bearbeitungszeit und reduzierte manuelle Arbeit. Fortschritte im Bereich des maschinellen Lernens und der künstlichen Intelligenz helfen dabei, die Effizienz und Genauigkeit dieser Methoden weiter zu verbessern. Machine Learning kann insbesondere dabei helfen, semantische Informationen aus unstrukturiertem Text zu extrahieren, indem es Muster und Beziehungen innerhalb der Daten erkennt.

    Einsatz von Textmining bei der Korpusextraktion

    Textmining ist eine Schlüsselkomponente der Korpusextraktion und zielt darauf ab, nützliche Informationen aus einem großen Textkorpus zu gewinnen. Der Prozess umfasst mehrere Schritte:

    • Vorverarbeitung: Bereinigen und Normalisieren von Textdaten durch Techniken wie Tokenisierung, Stopwort-Entfernung und Stemming.
    • Textanalyse: Anwenden statistischer und maschineller Lernverfahren, um Muster und Beziehungen in den Textdaten zu identifizieren.
    • Visualisierung: Präsentation der extrahierten Daten in verständlichen Formaten wie Diagrammen oder Grafiken zur weiteren Analyse.
    Textmining ist besonders wichtig in Bereichen wie Marktanalyse, wissenschaftlicher Forschung und sozialen Medien.

    Ein NLP-Toolkit wie NLTK oder SpaCy kann beim Textmining nützlich sein, um die Verarbeitung natürlicher Sprache zu erleichtern.

    Korpuserstellung Informatik: Tools und Technologien

    Die Korpuserstellung in der Informatik erfordert geeignete Tools und Technologien, um die Sammlung und Analyse von Textdaten zu optimieren. Hier sind einige der gängigsten Tools:

    • Python: Beliebte Programmiersprache für Datenanalyse und -extraktion, dank leistungsfähiger Bibliotheken wie BeautifulSoup und Scrapy.
    • Apache Hadoop: Framework zur Verarbeitung und Speicherung großer Datensätze in einem verteilten Rechenzentrum.
    • ElasticSearch: Suchmaschine und Textanalyse-Tool, das schnelle Such- und Abfrageprozesse unterstützt.
    ToolFunktion
    NLTKTextverarbeitung für NLP
    ScrapyWeb Scraping Framework
    BeautifulSoupHTML Parsing
    Diese Technologien ermöglichen es, große Textdatenmengen effizient zu verarbeiten und sind essenziell für die Entwicklung von Anwendungen im Bereich der Korpusanalyse.

    Abhängig von der Natur der Daten kann der Einsatz von spezialisierter Hardware, wie GPUs, die Rechenleistung für komplexe Textverarbeitungsaufgaben erheblich verbessern. Zudem gewinnen Cloud-basierte Lösungen immer mehr an Bedeutung, da sie enorme Speicherkapazitäten bereitstellen können und flexible Skalierungsmöglichkeiten bieten. Viele Unternehmen setzen heute auf Lösungen wie Google Cloud oder Amazon Web Services für ihre Korpuserstellungsbedarfe.

    Anwendungen der Korpusextraktion

    Die Korpusextraktion ermöglicht es, aus großen Mengen unstrukturierter Textdaten verwertbare Informationen zu gewinnen. Diese Technik ist besonders in der Verwaltung und Analyse umfangreicher Textmengen nützlich.

    Korpusextraktion im Rahmen von Informationsextraktion

    Im Bereich der Informationsextraktion hilft die Korpusextraktion dabei, brauchbare Daten aus Textdokumenten herauszuziehen. Der Prozess umfasst mehrere Schritte: Identifizierung der relevanten Textquellen, Bereinigung der Daten und Extraktion strukturierter Informationen. Diese Informationen können anschließend für Analysen oder zur Unterstützung von Entscheidungsprozessen verwendet werden.Die Hauptanwendungen der Info-Extraktion sind:

    • Named Entity Recognition (NER): Identifizieren und Klassifizieren von Namen innerhalb eines Textes, wie Personen, Organisationen oder Standorte.
    • Relation Extraction: Aufdecken von Beziehungen zwischen Entitäten im Text.
    • Sentiment Analysis (Gefühlsanalyse): Einschätzung der Meinung oder Stimmung, die ein Text vermittelt.

    Ein Beispiel für die Informationsextraktion: Ein Algorithmus könnte eine Nachrichtenagentur unterstützen, indem er automatisch politische Akteure in Artikeln identifiziert und ihre Beziehungen analysiert. Dadurch kann in Echtzeit ein Netzwerk dieser Akteure erstellt werden.

    Informationsextraktionssysteme können durch das Training auf domänenspezifischen Korpora deutlich an Genauigkeit gewinnen.

    Nutzung von Korpusextraktion im Textmining

    Das Textmining nutzt die Korpusextraktion, um aus umfangreichen Textkorpora wertvolle Informationen zu gewinnen. Der Prozess des Textminings umfasst mehrere Schritte, einschließlich der Vorverarbeitung der Daten, Anwendung von Algorithmen zur Erkennung von Mustern und der Visualisierung der Ergebnisse. Die Fähigkeit, Textdaten effektiv zu minen, ist in vielen Bereichen entscheidend:

    • Marktforschung: Trendanalysen und Wettbewerbseinsichten werden durch die Analyse von Verbrauchermeinungen auf sozialen Medien und Produktbewertungen ermöglicht.
    • Bioinformatik: Forschung in großen Mengen wissenschaftlicher Publikationen zur Erkennung von biologischen Mustern oder genetischen Informationen.
    • Finanzanalyse: Wirtschaftliche Berichte und News-Artikel extrahieren, um Aktienbewegungen vorherzusagen.

    Ein bedeutender Fortschritt im Textmining ist die Verwendung von Modellen des maschinellen Lernens, die unüberwachte oder teilüberwachte Methoden verwenden, um aus semistrukturierten oder unstrukturierten Daten relevante Informationen abzuleiten. Solche Modelle sind in der Lage, Muster zu erkennen, ohne speziell dafür programmiert zu sein.

    Bedeutung der Korpusextraktion in verschiedenen Forschungsbereichen

    Die Korpusextraktion ist in vielen Forschungsbereichen unverzichtbar geworden. Sie unterstützt Wissenschaftler und Forscher in ihrer Arbeit mit umfangreichen Texten. Hier sind einige der wichtigsten Bereiche, die von dieser Technik profitieren:

    • Geisteswissenschaften: Analyse literarischer Werke und historischen Dokumenten, um gesellschaftliche Trends oder sprachliche Entwicklungen zu untersuchen.
    • Sozialwissenschaften: Forschung zu sozialen Medien und öffentlichen Meinungen, um gesellschaftliche Bewegungen oder politische Stimmungen zu verstehen.
    • Medizin und Gesundheitswesen: Korpusextraktion wird verwendet, um medizinische Aufzeichnungen für die Patientenforschung und epidemiologische Studien zu analysieren.
    ForschungsbereichAnwendung der Korpusextraktion
    BioinformatikIdentifizierung genetischer Muster
    MedialinguistikErforschung sprachlicher Muster in Medien
    In diesen und anderen Bereichen hilft die Korpusextraktion, Daten in wertvolle Erkenntnisse zu verwandeln, die zur wissenschaftlichen Weiterentwicklung beitragen.

    Herausforderungen und Lösungen bei der Korpusextraktion

    Die Korpusextraktion ist ein komplexer Prozess, der mit verschiedenen Herausforderungen verbunden ist. Diese Herausforderungen betreffen vor allem die Qualität und Konsistenz der Daten sowie die Automatisierung und Effizienz des Extraktionsprozesses. Es ist entscheidend, diese Hindernisse zu verstehen und effektive Lösungen zu entwickeln.

    Probleme bei der Tokenisierung und deren Lösungen

    Tokenisierung ist ein zentraler Aspekt der Korpusextraktion. Sie bezieht sich auf die Aufteilung eines kontinuierlichen Textes in kleinere Einheiten wie Wörter oder Sätze. Dies kann in Sprachen, die keine klaren Wortgrenzen haben, eine Herausforderung sein. Häufig auftretende Probleme sind:

    • Erkennung von Wortgrenzen in Sprachen ohne Leerzeichen (z.B. Chinesisch).
    • Behandlung von Homographen (Worte mit gleicher Schreibweise, aber unterschiedlicher Bedeutung).
    • Tokenisierung von zusammengesetzten Wörtern in Sprachen wie Deutsch.
    Um diese Probleme zu lösen, können verschiedene Ansätze angewandt werden:

    Tokenisierung: Die Unterteilung eines Textes in seine grundlegenden Bestandteile, typischerweise Wörter oder Sätze.

    Ein praktisches Beispiel ist die Tokenisierung des deutschen Satzes 'Das Auto fährt schnell.' mit einem Tokenisierer, der diesen Satz in die Tokens ['Das', 'Auto', 'fährt', 'schnell', '.'] unterteilt.

    Fortgeschrittene Algorithmen zur Tokenisierung nutzen künstliche Intelligenz und maschinelles Lernen, um die Semantik und Syntax des Textes zu analysieren. Sie sind in der Lage, kontextabhängige Informationen zu erkennen und so eine genauere Tokenisierung zu ermöglichen.

    Manche Bibliotheken wie SpaCy bieten spezialisierte Modelle für mehrsprachige Tokenisierung an.

    Datenqualität und -integrität bei der Korpusextraktion

    Datenqualität und -integrität sind entscheidend bei der Korpusextraktion. Schlechte Datenqualität kann zu verfälschten Analysen führen und Entscheidungen negativ beeinflussen. Häufige Probleme sind:

    Datenqualität: Ein Maß für die Eignung der Daten für den vorgesehenen Zweck, das Konsistenz, Genauigkeit und Aktualität umfasst.

    Um diese Probleme zu lösen, ist eine sorgfältige Datenbereinigung erforderlich. Dies kann durch

    • Überprüfung und Korrektur fehlerhafter Daten.
    • Standardisierung und Normalisierung der Daten.
    • Eliminierung von Duplikaten und unbrauchbaren Daten.
    Eine gute Praxis ist es, Validierungsskripte zu verwenden, die sicherstellen, dass die extrahierten Daten den Qualitätsanforderungen entsprechen.

    Die Datenbereinigung bei einem Web-Scraping-Projekt könnte das Entfernen von HTML-Tags und die Umwandlung von Datumsformaten umfassen, um die Konsistenz zu gewährleisten.

    Regelmäßige stichprobenartige Überprüfungen der Daten helfen dabei, neu auftretende Qualitätsprobleme frühzeitig zu erkennen.

    Automatisierte vs. manuelle Korpusextraktion und ihre Vor- und Nachteile

    Bei der Korpusextraktion stehen automatisierte und manuelle Methoden zur Verfügung, jede mit spezifischen Vor- und Nachteilen:

    Automatisierte Korpusextraktion: Die Nutzung von Softwaresystemen zur Sammlung und Verarbeitung von Textdaten ohne menschliches Eingreifen.

    Vorteile der automatisierten Korpusextraktion:

    • Effizienz: Große Datenmengen können schnell verarbeitet werden.
    • Konsistenz: Reduziert menschliche Fehler und sorgt für gleichmäßige Datenverarbeitung.
    • Skalierbarkeit: Kann problemlos auf größere Datenvolumen erweitert werden.
    Vorteile der manuellen Korpusextraktion:
    • Flexibilität: Menschliche Urteilsfähigkeit kann bei der Anpassung an spezifische Anforderungen hilfreich sein.
    • Präzision: Insbesondere bei komplexen, mehrdeutigen oder qualitativ anspruchsvollen Daten.
    Nachteile der automatisierten Korpusextraktion wie die Notwendigkeit von starkem technischem Know-how und hoher Anfangsaufwände sollten in Betracht gezogen werden.

    Fortschritte im Bereich der künstlichen Intelligenz bieten neue Möglichkeiten, durch Hybridmethoden von Automatisierung und menschlichem Eingreifen, die Vorteile beider Ansätze zu kombinieren. Techniken wie überwachte maschinelles Lernen kann automatisierte Systeme trainieren, um die Präzision zu erhöhen, die normalerweise mit manueller Arbeit verbunden ist.

    Korpusextraktion - Das Wichtigste

    • Korpusextraktion: Sammlung und Aufbereitung von großen Textmengen zur Analyse in der Informatik.
    • Informationsextraktion vs. Korpusextraktion: Informationsextraktion filtert spezifische Daten aus einem Korpus.
    • Tokenisierung: Prozess der Aufteilung von Texten in kleinere Einheiten für die Textanalyse.
    • Textmining: Gewinnung nützlicher Informationen aus großen Textkorpora durch Analysen.
    • Datenextraktionstechniken: Nutzung von Crawling, Scraping, und Parsing für effiziente Korpusverarbeitung.
    • Korpuserstellung Informatik: Einsatz von Tools wie Python, Apache Hadoop und ElasticSearch zur Textanalyse.
    Häufig gestellte Fragen zum Thema Korpusextraktion
    Welche Tools werden häufig für die Korpusextraktion verwendet?
    Häufig verwendete Tools für die Korpusextraktion sind NLTK, SpaCy, BeautifulSoup und Scrapy. Sie unterstützen die Verarbeitung und Extraktion von Textdaten aus verschiedenen Quellen.
    Wie funktioniert die Korpusextraktion in der Sprachverarbeitung?
    Korpusextraktion in der Sprachverarbeitung funktioniert, indem große Mengen an Rohtextdaten gesammelt, gefiltert und strukturiert werden. Diese Daten werden in einem formatgerechten Korpus gespeichert und später für Analysen, Modellierung und maschinelles Lernen verwendet, um Muster und Sprachmerkmale zu erkennen.tools.
    Welche Herausforderungen gibt es bei der Korpusextraktion aus rechtlichen Dokumenten?
    Herausforderungen bei der Korpusextraktion aus rechtlichen Dokumenten umfassen den Umgang mit sensiblen und vertraulichen Daten, die Sicherstellung der Wahrung der Privatsphäre und Datenschutzbestimmungen, die Komplexität und Vielseitigkeit der juristischen Sprache sowie die Notwendigkeit der präzisen Erkennung von juristischen Entitäten und Strukturen.
    Welche Arten von Datenquellen eignen sich am besten für die Korpusextraktion?
    Für die Korpusextraktion eignen sich am besten strukturierte Datenquellen wie Datenbanken, semi-strukturierte Quellen wie XML/JSON-Dateien und unstrukturierte Texte wie Webseiten, soziale Medien oder digitale Archive. Die Wahl hängt von der Verfügbarkeit, Qualität und dem Verwendungszweck des Korpus ab.
    Wie kann die Qualität eines extrahierten Korpus bewertet werden?
    Die Qualität eines extrahierten Korpus kann über Metriken wie Relevanz, Vollständigkeit, Genauigkeit und Konsistenz der enthaltenen Daten bewertet werden. Zudem ist die Analyse von Repräsentativität und Sprachvielfalt wichtig. Manuelle Überprüfungen und Vergleich mit einem Goldstandard helfen bei der Validierung. Automatisierte Qualitätssicherungstools können ebenfalls unterstützen.
    Erklärung speichern

    Teste dein Wissen mit Multiple-Choice-Karteikarten

    Welcher Prozess unterscheidet sich grundsätzlich von der Korpusextraktion?

    Was sind zentrale Herausforderungen bei der Korpusextraktion?

    Wodurch erleichtert Automatisierung den Korpusextraktionsprozess?

    Weiter

    Entdecke Lernmaterialien mit der kostenlosen StudySmarter App

    Kostenlos anmelden
    1
    Über StudySmarter

    StudySmarter ist ein weltweit anerkanntes Bildungstechnologie-Unternehmen, das eine ganzheitliche Lernplattform für Schüler und Studenten aller Altersstufen und Bildungsniveaus bietet. Unsere Plattform unterstützt das Lernen in einer breiten Palette von Fächern, einschließlich MINT, Sozialwissenschaften und Sprachen, und hilft den Schülern auch, weltweit verschiedene Tests und Prüfungen wie GCSE, A Level, SAT, ACT, Abitur und mehr erfolgreich zu meistern. Wir bieten eine umfangreiche Bibliothek von Lernmaterialien, einschließlich interaktiver Karteikarten, umfassender Lehrbuchlösungen und detaillierter Erklärungen. Die fortschrittliche Technologie und Werkzeuge, die wir zur Verfügung stellen, helfen Schülern, ihre eigenen Lernmaterialien zu erstellen. Die Inhalte von StudySmarter sind nicht nur von Experten geprüft, sondern werden auch regelmäßig aktualisiert, um Genauigkeit und Relevanz zu gewährleisten.

    Erfahre mehr
    StudySmarter Redaktionsteam

    Team Informatik Lehrer

    • 12 Minuten Lesezeit
    • Geprüft vom StudySmarter Redaktionsteam
    Erklärung speichern Erklärung speichern

    Lerne jederzeit. Lerne überall. Auf allen Geräten.

    Kostenfrei loslegen

    Melde dich an für Notizen & Bearbeitung. 100% for free.

    Schließ dich über 22 Millionen Schülern und Studierenden an und lerne mit unserer StudySmarter App!

    Die erste Lern-App, die wirklich alles bietet, was du brauchst, um deine Prüfungen an einem Ort zu meistern.

    • Karteikarten & Quizze
    • KI-Lernassistent
    • Lernplaner
    • Probeklausuren
    • Intelligente Notizen
    Schließ dich über 22 Millionen Schülern und Studierenden an und lerne mit unserer StudySmarter App!
    Mit E-Mail registrieren