Konvoluutiohermoverkot (CNN) ovat syväoppimisen arkkitehtuurityyppi, jota käytetään ensisijaisesti tietokonenäön tehtäviin, kuten kuvantunnistukseen ja objektien havaitsemiseen. CNN:ien keskeinen ajatus on eristää kuvan piirteitä ja malleja matemaattisten operaatioiden avulla, erityisesti konvoluution avulla. Konvoluutioitsen opetus voidaan ajatella suodattimien liu'uttamisena kuvan läpi, jolloin pienet osat kuvaa tutkitaan ja käsitellään erikseen, mikä mahdollistaa tehokkaan piirteiden tunnistamisen.

Konvoluution perusidea on yksinkertainen: se on matemaattinen operaatio, jossa suodatin liukuu kuvan yli ja suoritetaan elementtitasoista kertomista ja summointia kussakin kohdassa. Tämä suodatin kulkee koko kuvan läpi ja tuottaa uuden kuvan, joka korostaa kuvan piirteitä, kuten reunoja tai kulmia. Tällainen suodattaminen voi paljastaa eri tasoisia piirteitä: yksinkertaisia reunoja ja kulmia alemmilla tasoilla, mutta monimutkaisempia objekteja ja tekstuureja syvemmillä tasoilla.

CNN:ien kerrokset muodostavat hierarkkisen rakenteen, jossa jokainen kerros suorittaa konvoluution edellisen kerroksen tuloksille. Tämä mahdollistaa verkon oppimisen syvemmistä ja monimutkaisemmista piirteistä, joita ei olisi mahdollista oppia pelkästään yksinkertaisilla malleilla. Verkot, jotka koostuvat useista kerroksista, voivat siten oppia koko kuvan jäsentelyn tasolla, yhdistellen yksinkertaisia piirteitä monimutkaisemmiksi.

Tärkeä piirre CNN:ien toiminnassa on parametrien jakaminen. Tämä tarkoittaa sitä, että sama suodatin voi kulkea koko kuvan yli, jolloin verkon suorituskyky paranee, koska samat painot voidaan jakaa eri paikoille. Tällä tavoin säästetään muistia ja parannetaan laskennallista tehokkuutta. Lisäksi, konvoluutioverkot käyttävät poolauskerroksia, joiden avulla piirteiden määrä vähenee, mutta olennaiset tiedot säilyvät. Tämä auttaa estämään ylisovittamista (overfitting) ja parantaa laskennan tehokkuutta.

Verkkojen yksinkertaisemmassa 2D-tapauksessa CNN:ien kerrokset sisältävät neuroneja, jotka on järjestetty muutamiin dimensioihin: kanavat, leveys, korkeus ja suodattimien määrä. Kerroksia voidaan lajitella konvoluutiokerrokseksi, poolauskerrokseksi ja täysin yhteydessä olevaksi kerrokseksi, ja niiden avulla voidaan käsitellä piirteitä, vähentää ulottuvuuksia ja suorittaa luokittelua.

CNN:ien toiminta perustuu siihen, että ensimmäinen konvoluutiokerros yhdistää neuronit vain tiettyihin pikseleihin, jotka sijaitsevat verkon vastaanottokentässä. Seuraavissa kerroksissa neuronit voivat olla yhteydessä edellisen kerroksen neuroneihin pienissä alueissa. Tämä arkkitehtuuri muistuttaa sitä, miten todelliset kuvat muodostuvat ja tarjoaa verkolle mahdollisuuden tunnistaa yksinkertaisia piirteitä, jotka yhdistyvät monimutkaisemmiksi elementeiksi syvemmillä tasoilla. Tämä hierarkkinen rakenne on yksi syy siihen, miksi CNN:t ovat niin tehokkaita kuvantunnistuksessa.

Kun puhutaan luonnollisen kielen käsittelyn (NLP) ja tekstilouhintatehtävien sovelluksista, CNN:ien rooli on hieman erilainen, mutta niillä on myös merkitystä tässä kentässä. Tekstissä olevien piirteiden havaitseminen ja jäsentäminen voidaan saavuttaa käyttämällä samoja perusperiaatteita, joita CNN:t hyödyntävät kuvatietojen käsittelyssä. Esimerkiksi tekstin luokittelu, kuten mielipiteiden analyysi ja asiakirjojen lajittelu eri aihepiireihin, on mahdollista CNN:ien avulla.

Mielipiteiden analysointi on esimerkki siitä, miten CNN:t voivat auttaa tunnistamaan teksteissä olevia tunteita. Käyttämällä eri kokoisia suodattimia, verkko voi oppia löytämään sanojen yhdistelmiä, jotka viittaavat positiivisiin tai negatiivisiin tuntemuksiin. Tämä parantaa automaattista tekstien luokittelua, joka on keskeinen osa monia nykyajan sovelluksia, kuten asiakaspalveluja ja some-analyysiä.

Dokumenttien kategorisointi on toinen esimerkki tekstilouhintatehtävästä, jossa CNN:t voivat olla hyödyllisiä. Verkon avulla voidaan suodattaa ja luokitella asiakirjoja eri aihepiirien mukaan, mikä tehostaa sisällönhallintaa ja tiedonhakua laajoissa tekstikokoelmissa.

Tekstissä olevan informaation täsmällinen analysointi vaatii kuitenkin huolellisuutta. CNN:ien käyttäminen tekstin käsittelyssä edellyttää tarkkaa huomioimista siitä, miten tekstin piirteet määritellään ja mitkä ovat oleelliset elementit luokittelun kannalta. Erityisesti kielellisten erojen ja vivahteiden tunnistaminen on haastavaa, mutta CNN:it tarjoavat tehokkaan keinon hallita näitä haasteita.

Toisaalta on tärkeää ymmärtää, että vaikka CNN:t voivat oppia monimutkaisista piirteistä ja tekstin rakenteista, ne eivät välttämättä pysty suoraan ymmärtämään kontekstia tai semantiikkaa samalla tavalla kuin muut syväoppimismallit, kuten rekurrenttiset neuroverkot (RNN) tai muuntajat (Transformers). Tämä rajoittaa CNN:ien käyttöä erityisesti silloin, kun tarvitaan syvällisempää ymmärrystä kielen merkityksistä ja kontekstuaalisista suhteista.

Miten tekstiklusteroituminen toimii ja kuinka se liittyy luokitukseen?

Tekstiklusteroituminen on keskeinen osa luonnollisen kielen käsittelyä (NLP) ja koneoppimista, sillä se mahdollistaa suurten tekstimassojen analysoinnin ja luokittelun. Tekstiklusteroitumisessa pyritään ryhmittelemään dokumentit tai tekstinäytteet samankaltaisuuden mukaan ilman ennaltamäärättyjä luokkia. Tämä prosessi on erityisen tärkeä, kun pyritään löytämään rakenteita ja kaavoja laajoista tietoaineistoista, kuten asiakirjakokoelmista, artikkeleista tai muista tekstimuotoisista tiedoista.

Klusteroitumisprosessissa ensisijainen haaste on tekstin esikäsittely. Tämä vaihe on tärkeä, sillä raakateksti voi sisältää paljon epäolennaista tietoa, joka ei hyödytä klusterointia. Esikäsittelyyn kuuluu useita vaiheita, kuten tokenisointi, eli tekstin pilkkominen yksittäisiksi sanoiksi tai muiksi osiksi, sekä turhien sanojen, kuten "ja" ja "on", poistaminen. Tekstin pienaakkosiksi muuttaminen parantaa käsittelyä, sillä monet algoritmit eivät erota suuria ja pieniä kirjaimia. Lisäksi tekstiä saatetaan supistaa, eli sanoja muutetaan niiden perusmuotoon, kuten "juokseminen" muuttuu muotoon "juosta". Myös välimerkit poistetaan, sillä ne eivät ole oleellisia tekstin merkityksen kannalta.

Esikäsittelyn jälkeen on tärkeää valita oikea ominaisuuksien poiminta (feature extraction) -menetelmä, joka muuttaa puhtaan tekstin numeeriseksi muodoksi, jota klusterointialgoritmit voivat käsitellä. Yksi yleisimmin käytetyistä tekniikoista on TF-IDF (term frequency-inverse document frequency), joka painottaa sanoja sen mukaan, kuinka usein ne esiintyvät tietyssä dokumentissa verrattuna koko aineistoon. Tämän avulla voidaan eristää erityisen merkitykselliset ja erottuvat sanat.

Kun teksti on esikäsitelty ja ominaisuudet on poimittu, valitaan sopiva klusterointimenetelmä. Erilaisia klusterointimenetelmiä on useita, mutta yleisimpiä ovat K-means, hierarkkinen klusterointi, DBSCAN (Density-Based Spatial Clustering of Applications with Noise) ja LDA (Latent Dirichlet Allocation). K-means on yksi tunnetuimmista ja yksinkertaisimmista menetelmistä, joka jakaa aineiston kiinteään määrään ryhmiä minimoimalla etäisyyden kunkin datapisteen ja klusterin keskuksen välillä. Hierarkkisessa klusteroinnissa taas luodaan puumainen rakenne, joka näyttää, miten eri klusterit liittyvät toisiinsa. DBSCAN puolestaan käyttää tiheyksien eroja ryhmitellessään aineistoa, ja LDA keskittyy asiakirjojen aiheiden löytäminen, jolloin dokumentit voidaan ryhmitellä niiden käsittelemiin aiheisiin.

Klusteroitumisen tulokset eivät ole aina yksiselitteisiä, sillä klusterointimenetelmät eivät perustu etukäteen määriteltyihin luokkiin. Tämän vuoksi tulosten arviointi on usein haasteellista. Erilaisia arviointimenetelmiä on kuitenkin olemassa, kuten silhuettikertoimet, jotka mittaavat kuinka hyvin yksittäinen dokumentti sopii omaan klusteriinsa verrattuna muihin klustereihin. Myös Adjusted Rand Index (ARI) voi olla hyödyllinen, sillä se vertaa saatuja klustereita etukäteen määriteltyihin luokkiin ja arvioi niiden yhteneväisyyttä.

Klusteroitumisessa on tärkeää myös tulkita ja visualisoida saatuja tuloksia. Erilaiset menetelmät, kuten pääkomponenttianalyysi (PCA) tai t-SNE (t-Distributed Stochastic Neighbor Embedding), auttavat hahmottamaan tekstin klustereita ja niiden rakennetta. Näin voidaan saada syvällisempää ymmärrystä siitä, miten dokumentit liittyvät toisiinsa ja mitä yhteisiä teemoja niissä esiintyy. Yleisesti ottaen, klusteroituminen on iteratiivinen prosessi, joka vaatii jatkuvaa hienosäätöä ja arviointia. Usein esikäsittelyä, ominaisuuksien poimintaa ja klusterointimenetelmiä on mukautettava saadakseen parhaan mahdollisen lopputuloksen.

Klusteroituminen voi olla erityisen hyödyllistä luokittelujärjestelmissä, joissa dokumentit täytyy jakaa ennalta määriteltyihin luokkiin, kuten urheilu, politiikka tai viihde. Klusteroinnin ja luokittelun yhdistäminen voi tuoda esiin uusia näkökulmia ja auttaa järjestelmien tarkkuuden parantamisessa. Klustereiden ja luokkien välisen yhteyden ymmärtäminen on olennainen osa tämän prosessin onnistumista. Esimerkiksi jos klusterit eivät täsmää täysin luokkien kanssa, se voi viitata siihen, että tiettyjä piirteitä tai teemoja ei ole huomioitu tarpeeksi hyvin. Toisaalta klusterointi voi myös paljastaa uusia, aiemmin piilossa olleita luokkia, jotka voivat johtaa syvällisempiin havaintoihin.

Lopuksi on tärkeää muistaa, että tekstin klusteroituminen on vain yksi askel kohti paremman ymmärryksen saavuttamista suurista tietomassoista. Prosessin jokaisessa vaiheessa on monia haasteita, mutta hyvin toteutettuna se voi tarjota syvällisiä oivalluksia ja auttaa tekstin käsittelyssä, luokittelussa ja tiedon etsimisessä entistä tehokkaammin.

Mikä on hierarkinen tekstin tiivistäminen ja kuinka se eroaa tasapohjaisesta tiivistämisestä?

Tekstin tiivistäminen voi tapahtua monella eri tavalla riippuen siitä, miten teksti jäsennetään ja millaisia tiivistämisstrategioita käytetään. Yksi keskeinen ero tiivistämismenetelmien välillä on se, tarkastellaanko koko tekstiä yhtenä kokonaisuutena vai jaetaanko se osiin, jotka käsitellään erikseen. Tämä erottelu liittyy erityisesti kahtaan päätyyppiin: tasapohjaiseen (flat) ja hierarkkiseen (hierarchical) tekstin tiivistämiseen.

Tasapohjaisessa tiivistämisessä koko teksti käsitellään yhtenä dokumenttina, ja tiivistys tuottaa lopullisen yhteenvedon koko tekstistä. Tämä on yksinkertaisempi lähestymistapa, joka toimii hyvin suhteellisen pienille ja yksinkertaisille teksteille. Tässä menetelmässä ei tehdä välikertomuksia tai osittaisia tiivistyksiä, vaan koko tekstistä luodaan yksi tiivistetty versio, joka kattaa koko sisällön. Toisin sanoen, kun tasapohjainen tiivistys tehdään, ei ole välimuotoja tai erillisiä vaiheita; lopullinen yhteenveto luodaan suoraan alkuperäisestä tekstistä.

Hierarkkisessa tiivistämisessä sen sijaan otetaan huomioon tekstin rakenne ja eri otsikot tai osiot käsitellään erikseen. Tämä mahdollistaa sen, että voidaan ensin tiivistää tekstin osia — esimerkiksi otsikoiden alla olevia kappaleita — ja sitten yhdistää nämä osittaiset tiivistykset yhdeksi lopulliseksi yhteenvetoksi. Tällöin koko teksti ei ole enää vain yksinkertainen kokonaisuus, vaan se pilkotaan eri osiin, joista jokainen saattaa saada oman tiivistyksensä ennen yhteisen yhteenvedon luomista. Tällainen lähestymistapa voi tarjota tarkempia ja kohdistetumpia tiivistyksiä, koska se ottaa huomioon tekstin monivaiheisuuden ja jäsentelyn.

Hierarkkisessa tiivistämisessä on kuitenkin myös haasteensa. Vaikka se on teoreettisesti tarkempi ja luonnollisempi tapa käsitellä monimutkaisempia tekstejä, se voi olla laskennallisesti raskas. Tämä johtuu siitä, että tekstin osien tiivistämisen lisäksi käytetään usein klusterointialgoritmeja, jotka saattavat vaatia merkittävästi laskentatehoa ja tarkkuutta. Klusterointiin perustuvassa lähestymistavassa otetaan huomioon tekstin sisällön samankaltaisuus ja pyritään yhdistämään samankaltaiset osat ennen niiden tiivistämistä. Tämä voi tuottaa tarkempia ja kontekstuaalisesti osuvampia tiivistyksiä, koska tekstin samankaltaiset osat yhdistetään yhdeksi kokonaisuudeksi.

Erityisesti suurilla ja monivaiheisilla teksteillä hierarkkinen tiivistäminen voi olla tehokas työkalu, mutta sen haasteena on, että klusteroinnin tarkkuus voi vaikuttaa lopullisen tiivistyksen laatuun. Toisin sanoen, jos klusterointi epäonnistuu, myös tiivistys voi olla epätarkka. Tämä on merkittävä ero verrattuna tasapohjaiseen tiivistämiseen, jossa koko teksti käsitellään kerralla ilman erillistä vaiheistusta.

Tasapohjainen tiivistäminen on yksinkertaisempi lähestymistapa, ja se on erityisen hyödyllinen lyhyille ja selkeille teksteille, joissa ei ole tarpeen tehdä monivaiheisia erotteluja. Se on suoraviivainen ja helppokäyttöinen, mutta se ei välttämättä pysty ottamaan huomioon tekstin monimutkaisempia rakenteita. Hierarkkinen tiivistäminen puolestaan on monivaiheisempi ja vaatii enemmän resursseja, mutta se voi tuottaa tarkempia ja informatiivisempia tiivistyksiä suurille ja rakenteellisesti monimutkaisille teksteille.

Näiden tiivistämistyyppien välillä voidaan tehdä valinta sen mukaan, millaisia tekstin piirteitä halutaan korostaa ja kuinka paljon laskentatehoa on käytettävissä. Tärkeä huomio tässä yhteydessä on myös se, että molemmat lähestymistavat voidaan automatisoida, mikä tekee niistä erityisen hyödyllisiä laajassa mittakaavassa, kuten suurissa tietokannoissa ja verkkosivustoilla.

Toinen merkittävä ero eri tiivistämismenetelmien välillä on se, kuinka abstraktit tiivistykset voivat olla. Tasapohjaisessa tiivistämisessä abstraktiotaso on rajallinen ja rajoittuu alkuperäiseen tekstiin ja sen tiivistettyyn muotoon. Hierarkkisessa tiivistämisessä puolestaan on mahdollista luoda monitasoisia abstraktioita, mikä mahdollistaa syvällisempien yhteenvetojen tuottamisen, jotka käsittelevät yksityiskohtaisemmin tekstin eri osia.

Näiden kahden lähestymistavan välillä on valittava tekstityypin ja käyttötarkoituksen mukaan. Tasapohjainen tiivistäminen on nopea ja tehokas, mutta sen käyttö saattaa olla rajoitettua monivaiheisemmille ja monimutkaisemmille teksteille. Hierarkkinen tiivistäminen tarjoaa tarkempia ja kontekstuaalisempia tiivistyksiä, mutta se on laskennallisesti vaativampi ja vaatii enemmän resursseja.

Kun valitaan tiivistämismenetelmää, on tärkeää huomioida tekstin rakenne ja sisältö. Erityisesti pitkät ja monivaiheiset tekstit voivat hyötyä hierarkkisesta lähestymistavasta, jossa tekstin osia käsitellään erikseen ja yhdistetään vasta lopulliseksi tiivistykseksi. Tällöin tiivistys voi olla tarkempi ja täsmällisempi, koska se ottaa huomioon tekstin osien väliset yhteydet ja rakenteen.

Miten avainsanoja ja kollokaatioita voidaan poimia tekstistä tehokkaasti?

Tekstin analysointi ja sen tärkeimpien elementtien erottaminen on yksi keskeisistä tehtävistä luonnollisen kielen käsittelyssä (NLP). Tämä prosessi, joka kattaa muun muassa avainsanojen ja kollokaatioiden poiminnan, mahdollistaa monimutkaisempien tehtävien, kuten tekstin tiivistämisen tai aiheiden mallintamisen, suorittamisen tehokkaasti. Tekstin käsittelyyn liittyy useita vaiheita ja tekniikoita, jotka auttavat meitä saamaan selville, mitkä osat tekstistä ovat olennaisia ja kuinka niitä voidaan hyödyntää analyysissä.

Ensimmäinen askel on tekstin jakaminen lauseisiin. Tämä voidaan tehdä käyttämällä yksinkertaista funktiota, joka erottaa lauseet tekstistä. Tällöin saamme selkeän kuvan siitä, miten teksti jakautuu pienempiin osiin. Esimerkiksi seuraava koodinpätkä havainnollistaa, kuinka saamme lauseet tekstistä ja tulostamme ne:

python
sentences = [s.strip() for s in sentences if s.strip()]

Tämä koodin osa poistaa tyhjät lauseet ja varmistaa, että vain merkitykselliset lauseet jäävät käsiteltäviksi. Tämän jälkeen voidaan siirtyä tekstin käsittelyyn tarkemmin, kuten HTML-merkkien dekoodaamiseen, jolloin saamme puhdistetun ja jäsennellyn tekstin jatkoanalyysiin.

python
from html import unescape


def unescape_html(text):
    """Purkaa HTML-entiteetit tekstistä."""
    return unescape(text)

Näin varmistamme, että mahdolliset HTML-entiteetit, kuten < tai &, eivät häiritse tekstin käsittelyä ja analysointia. Kun teksti on puhdistettu, voidaan siirtyä tärkeämpiin vaiheisiin, kuten ominaisuuksien poimintaan ja avainsanojen erotteluun.

Avainsanojen poiminta on yksinkertainen mutta tehokas tekniikka, joka perustuu keskeisten käsitteiden tunnistamiseen rakenteettomasta tekstistä. Tämä tekniikka on tärkeä osa tietojen kaivamista ja siihen liittyvää informaation hakua (IR). Avainsanojen poiminta auttaa tunnistamaan tekstin pääajatukset ja teemat, joita voidaan käyttää myöhemmin esimerkiksi aiheiden mallintamiseen tai tekstin tiivistämiseen.

Kollokaatioiden tunnistaminen

Yksi keskeisistä tekniikoista avainsanojen poiminnan yhteydessä on kollokaatioiden tunnistaminen. Kollokaatio tarkoittaa sanojen yhdistelmiä, jotka esiintyvät tekstissä toistuvasti yhdessä enemmän kuin mitä sattumanvaraisesti voisi odottaa. Esimerkiksi sanojen "kiinnostunut" ja "aiheesta" esiintyminen yhdessä voi olla merkityksellistä jollain tietyllä alalla, vaikka yksittäin nämä sanat saattavat olla yleisempiä.

Kollokaatioiden tunnistamiseen käytetään usein n-grammien luomista. N-grammi on sanayhdistelmä, joka koostuu yhdestä tai useammasta sanasta, ja se luodaan liu'uttamalla ikkunaa tekstin yli. Kun n-grammit on luotu, voidaan laskea niiden esiintymistiheys ja näin löytää ne yhdistelmät, jotka esiintyvät tekstissä useimmiten.

python
import nltk
from nltk.tokenize import word_tokenize
from nltk.corpus import stopwords
import string
nltk.download('punkt')
nltk.download('stopwords')
def compute_ngrams(tokens, n):
    """Luo n-grammeja annetuista tokeneista ja n-parametrista."""


    ngrams = [tuple(tokens[i:i+n]) for i in range(len(tokens)-n+1)]


    return ngrams

Tämä koodi luo unigrameja ja bigrammeja (1-grammeja ja 2-grammeja) annetusta tekstistä. Tämä tekniikka on erityisen hyödyllinen, kun halutaan tunnistaa tärkeitä sanojen yhdistelmiä, jotka voivat olla avainsanoja tai -fraaseja, jotka ilmaisevat tekstin pääteemoja.

Tekstin normalisointi ja esikäsittely

Ennen kuin voidaan ryhtyä avainsanojen poimintaan tai kollokaatioiden analysointiin, on tärkeää suorittaa tekstin normalisointi. Tämä vaihe käsittää muun muassa pysyvien sanamuotojen yhdistämisen (lemmatisointi) ja turhien sanojen, kuten yleisten määräävillä sanoilla (stop words), poistamisen. Esimerkiksi seuraava koodinpätkä suorittaa tokenisoinnin, poistaa välimerkit, muuttaa sanat pieniksi kirjaimiksi ja suorittaa lemmatisoinnin:

python
from nltk.stem import WordNetLemmatizer
lemmatizer = WordNetLemmatizer()


clean_tokens = [token.translate(str.maketrans('', '', string.punctuation)).lower() for token in tokens]


filtered_tokens = [token for token in clean_tokens if token not in stopwords.words('english')]
normalized_tokens = [lemmatizer.lemmatize(token) for token in filtered_tokens]

Tämä prosessi takaa, että analysoitavat tokenit ovat puhtaita ja yhdenmukaisia, mikä parantaa myöhempien analyysivaiheiden tarkkuutta.

Yhteenveto

Tekstin analysoinnissa on monia vaiheita, joista avainsanojen poiminta ja kollokaatioiden tunnistaminen ovat keskeisiä. Nämä tekniikat auttavat meitä ymmärtämään, mitkä osat tekstistä ovat olennaisia ja mitkä muodostavat sen pääideat ja -teemat. Erityisesti n-grammien avulla voimme tunnistaa toistuvia sanayhdistelmiä, jotka voivat olla avaintekijöitä tekstin merkityksellisyyden ymmärtämisessä.

Kun teksti on normalisoitu ja esikäsitelty oikein, voimme siirtyä monimutkaisempien analyysitehtävien pariin, kuten tekstin tiivistämiseen tai sen käyttämiseen osana laajempia tietojärjestelmiä. Kollokaatioiden ja avainsanojen tunnistaminen ei ole vain tieteellinen harjoitus, vaan se voi parantaa huomattavasti käytännön sovelluksia, kuten hakukoneiden, suositusjärjestelmien ja kielenkäännösten tarkkuutta.

Miten toistaminen vaikuttaa väärän tiedon uskomiseen ja todistajien luotettavuuteen?
Miksi miehet rakastavat koiria?
Mitä voimme oppia tieteellisten tutkijoiden työtavoista ja erikoisaloista?
Miten väkivallanteot voivat kätkeytyä poliittisiin intresseihin ja salaisuuksiin?
Mikä on oikea syy unohtaa menneisyyden muistot ja valita vihan sijaan ymmärrys?