Sentiment-Analyse

Analyse und Prognose in Textdaten ausgedrückter Stimmungen

Sentiment-Analyse bezeichnet den Prozess der Klassifikation von Texten durch Identifikation der darin ausgedrückten subjektiven Stimmungen. Text kann beispielsweise als positiv, neutral oder negativ klassifiziert werden. Häufig wird dem noch ein Score zugewiesen, der die Intensität der Stimmung beschreibt.

Beispiele für Sentiment-Analysen.

Anwendung von Sentiment-Analysen

Sentiment-Analysen werden beispielsweise in fast allen Branchen für folgende Anwendungen genutzt:

  • Identifikation von als negativ empfundenen Punkten und Lücken zur Verbesserung des Produkt-/Prozessdesigns durch aus Kundenbefragungen und Sozialen Medien abgeleitete Sentiment-Scores
  • Aufbau eines Asset-Auswahlmodells für den Handel mit Sentiment-Scores zu Finanzberichten und Nachrichtenartikeln

Methoden zur Sentiment-Analyse

Bei Sentiment-Analysen kommen Textanalysen zum Einsatz, die die natürliche Sprachverarbeitung mit Machine Learning- und Deep Learning-Algorithmen kombinieren, um Klassifikationsmodelle aufzubauen und Sentiment-Scores zu schätzen. Die zwei gängigsten Ansätze für Sentiment-Analysen sind:

  • Verwendung eines vorgefertigten Wörterbuchs: Sie können mit einem vorhandenen Wörterbuch beginnen, das unterschiedliche Wörter in verschiedenen Polaritäten (z. B. positiv/negativ), Emotionen (z. B. verärgert/traurig/unzufrieden) oder in Form einer numerischen Skala kategorisiert. Anschließend können Sie mithilfe dieses Wörterbuchs ein Modell zur Sentiment-Analyse erstellen, Stimmungen in individuellen Wörtern in Ihrem Text vorhersagen und schließlich Einzel-Scores zu einem globalen Sentiment-Score des Texts kombinieren.
  • Verwendung gelabelter Dokumente: Sie können ein Modell zur Sentiment-Analyse auch durch Deep Learning-Verfahren aus einem gelabelten Datensatz erstellen, der jedes Dokument (eine Bewertung, einen Tweet oder andere Textteile) in verschiedene Stimmungen kategorisiert. Anschließend können Sie das Modell nutzen, um die Stimmung eines neuen Dokuments vorherzusagen.

Weitere Informationen zum Import, zur Untersuchung, zur Visualisierung und zum Aufbau von Modellen mit Textdaten sowie zu darauf basierenden Sentiment-Analysen finden Sie bei der Text Analytics Toolbox™.



Siehe auch: Natürliche Sprachverarbeitung, Textmining, Data Science, Machine Learning, Deep Learning, LSTM-Netze (Long Short-Term Memory), word2vec, N-gram