Sentiment Analyse und Meinungsforschung

Unser tägliches Leben ist voller Entscheidungen. Und während einige dieser Entscheidungen, wie der Kauf eines Fernsehers oder eines Autos, groß und wichtig sind, scheinen andere von geringerer Bedeutung zu sein.

Sie alle können sich jedoch auf unser Glück und unser Wohlbefinden auswirken. Deshalb suchen wir Hilfe bei der Entscheidungsfindung. Wir beraten uns mit Freunden und Verwandten, wir recherchieren über Produkte und Dienstleistungen oder folgen den Ratschlägen von Experten.

Bei der heutigen Fülle an Informationen im Internet ist es jedoch schwierig, die richtigen Quellen zu finden, die korrekte Informationen und Meinungen liefern.

Genau hier können Online-Plattformen helfen.

Die Anzahl der Dinge, die wir kaufen und in unserem Haus warten müssen, ist unüberschaubar. Parallel zu dieser explosionsartigen Zunahme des Produktangebots ist die Zahl der Online-Meinungen zu diesen Produkten noch stärker gestiegen - Bewertungen, Empfehlungen, Vorlieben, Abneigungen und mehr.

Heutzutage ist es viel einfacher, die Kundenzufriedenheit und die Erfolgsquote eines Produkts zu überprüfen.

Opinion Mining ist ein Prozess der automatischen Sammlung und Analyse von Nutzerbewertungen in sozialen Medien, Foren, Produktbewertungsseiten und anderswo im Internet, um die Interessen und Bedürfnisse der Nutzer zu verstehen, den Ruf der Marke zu verwalten und ihre Produkte zu verbessern.

Viele Verbraucher beschweren sich über Produkte/Dienstleistungen und hinterlassen schlechte Bewertungen auf verschiedenen Bewertungsseiten, Social-Media-Kanälen und Blogs.

Es ist nicht ungewöhnlich, negative Kommentare von Menschen zu lesen, die keine Erfahrung mit einem Produkt oder einer Dienstleistung haben, aber es gibt auch positive Bewertungen. Wie können Unternehmen also erkennen, welche Beschwerden es wert sind, behandelt zu werden, und welche ignoriert werden sollten?

Eine der Antworten auf diese Frage ist die Sentiment Analyse.

Bei der Sentiment Analyse handelt es sich um eine Technologie, die es ermöglicht, anhand eines Textes festzustellen, ob der Autor des Textes eine positive, negative oder neutrale Meinung über ein bestimmtes Objekt (z. B. ein Restaurant oder einen Film) hat.

Die Stimmungsanalyse identifiziert Meinungen in Texten. Sie wird üblicherweise verwendet, um eine subjektive Bewertung des Textes in Bezug auf das Ziel vorherzusagen, z. B. ob eine Rezension positiv oder negativ ist.

Sie kann auch zum Parsen von Fragen, Vorschlägen oder meinungsbetonten Texten oder zur Unterscheidung von Emotionen oder Einstellungen verwendet werden.

Eine Anwendung findet sich auch in der Aktien- und Kryptomarktforschung, wo wir Millionen von Tweets pro Tag sammeln, ihre Stimmung bestimmen und dann z. B. die Stimmung von Krypto-Bitcoin auf stündlicher Basis oder mit geringerer Latenz berechnen können.

In Anlehnung an Bing Lu können wir eine formalere Definition einer Meinung einführen:

Eine Meinung ist eine Menge (e,a,s,h,t), wobei e eine Entität, a ein Aspekt der Entität e, s die Stimmung zu Aspekt a der Entität e, h der Inhaber der Meinung und t der Zeitpunkt ist, zu dem Inhaber h diese Meinung geäußert hat.

Die meisten Arten der Sentiment Analyse konzentrieren sich auf sogenannte Stimmungspolaritäten, die positiv, negativ, neutral oder in einigen Fällen in mehrere Kategorien unterteilt sein können, z.B. 1 Stern - sehr negativ, 2 Sterne - negativ, 3 Sterne - neutral, 4 - positiv und 5 - sehr positiv.

Stimmungswerte sind in der Regel kategorisch, bekannt als Stimmungspolaritäten und werden als positiv, negativ und neutral bezeichnet.

Auf der Grundlage dieser Definition von Meinung können wir das Hauptziel der Stimmungsanalyse neu formulieren:

Das Ziel der Sentimentanalyse ist es, alle Meinungen (e,a,s,h,t) in einem gegebenen Text zu ermitteln.

In unserem nächsten Artikel werden wir uns mit den Arten der Sentiment Analyse beschäftigen und einen Code für die aspektbasierte Stimmungsanalyse erstellen.

Sentiment Analyse kann in vielen Bereichen nützlich sein, zum Beispiel im Zusammenhang mit Product Categorization, so kann man dann herausfinden in welchen Verticals bekommt Unternehmen schlecheste Noten.