Wo liegt der Vorteil von MOM gegenüber fassettierten Klassifikationssystemen?

Zur Beantwortung dieser Frage lege ich die ersten Zitate von
Faceted Classification of Information zugrunde, wie sie in The Knowledge Management Connection veröffentlicht sind. Eingehend habe ich mich bislang nicht mit fassettierten Klassifikationssystemen beschäftigt.

Wenn zugrunde gelegt wird, dass sämtliche bekannten Aspekte eines fassettierten Klassifikationssystemen in beliebiger Kombination abgerufen werden können, um einen Begriff zu finden, dann sollte erforderlich sein, eine Merkmalsmenge zusammenzustellen, anhand derer ermittelt wird, ob das fassettierte Klassifiktaionssystem einen entsprechenden Bergiff kennt. Dabei sollten – ich habe dies weder ausprobiert noch mich hinreichend tief in den Bereich eingelesen – die kleinstmöglichen Merkmale verwendet werden – denn uneinheitlich mit kleinstmöglichen und höher aggregierten Merkmalen zu operieren, würde schwierig machen, eine Abfrage zu formulieren, die überhaupt einen Begriff liefert.

Demgegenüber erlaubt MOM, auch aufgrund des rekursiven Wiedererkennungsalgorithmus', beides miteinander zu kombinieren. Ferner ist nicht erforderlich, etwa den Begriff <Europa> durch seine mikroskopischen Einzelteile zu definieren, sondern es genügt, vorhandene höher aggregierte Merkmale als Aspekte des gesuchten Begriffes zu verwenden//einzusetzen.