<\/p>\n
Die Sentimentanalyse l\u00f6st weiterhin umfassende Diskussionen im Bereich Social Media Monitoring aus, daher m\u00f6chten wir einen kurzen \u00dcberblick zu diesem Thema geben und erl\u00e4utern, wie wir bei Brandwatch damit umgehen. Unser interner Experte, Dr. Taras Zagibalov, f\u00fchrt alle unsere Sprachforschungen durch und arbeitet gemeinsam mit dem Technikteam an der kontinuierlichen Verbesserung unserer automatischen Sentimentklassifizierung. Ich gebe ab an Taras:<\/p>\n
\nBei der automatischen Sentimentanalyse kommen zwei Haupttechniken zum Einsatz: Die in kommerziellen Anwendungen am h\u00e4ufigsten genutzte Technik basiert auf linguistischen Quellen, die andere auf dem Konzept des maschinellen Lernens.<\/p>\n
Diese Technik basiert in ihrer einfachsten Form auf einer vorher festgelegten Liste positiver und negativer W\u00f6rter. Die jeweilige \u00c4u\u00dferung oder der jeweilige Satz werden dahingehend \u00fcberpr\u00fcft, wie h\u00e4ufig diese W\u00f6rter darin auftauchen:<\/p>\n
Ein einfaches Beispiel:<\/p>\n
Sky+ ist gut und n\u00fctzlich, aber ein wenig zu teuer.<\/em><\/p>\n Dieser Satz w\u00fcrde als positiv gewertet werden, weil er zwei W\u00f6rter aus der positiven Liste („gut“ und „n\u00fctzlich“) und nur eines aus der negativen Liste („teuer“) enth\u00e4lt. In einem etwas komplexeren Ansatz k\u00f6nnte man verschiedene Punkte\/Gewichtungen f\u00fcr verschiedene W\u00f6rter zugrunde legen und Verneinungen (z.B. „nicht gut“) ber\u00fccksichtigen.<\/p>\n In einem weiteren Schritt werden gr\u00f6\u00dfere linguistische Einheiten (Neben- und Haupts\u00e4tze) betrachtet: Analysesysteme k\u00f6nnen sich auf Muster berufen, um die jeweilige Stimmung zu erkennen. Ein Muster w\u00e4re beispielsweise: „NP posVerb X“ (Nominalphrase + positives Verb + Marke\/Produktbezeichnung). Dieses Muster kann S\u00e4tze umfassen wie „Ich liebe das Samsung Galaxy Tab“ und „Mein Freund bevorzugt Sony.“ Doch dieser Ansatz kann eine Reihe linguistischer Techniken enthalten, die nicht immer robust und h\u00e4ufig sehr zeit- und arbeitsintensiv sind (Syntaxanalyse, Wortartzuordnung, Extrahieren von Einheiten usw.).<\/p>\n Das Hauptproblem der Sentimentanalyse<\/a>, basierend auf linguistischen Quellen, besteht darin, dass wir nicht immer voraussagen k\u00f6nnen, auf welche Weise Stimmungen zum Ausdruck gebracht werden:<\/p>\n Im Rahmen dieses Ansatzes wird au\u00dferdem davon ausgegangen, dass eine „normale“ oder „standardm\u00e4\u00dfige“ (vorhersehbare) Sprache verwendet wird. Das ist aber nur selten der Fall und trifft auf soziale Medien insbesondere nicht zu; hier bedienen sich die Nutzer verschiedener Dialekte und Slang-Ausdr\u00fccke, um ihre Gef\u00fchle in Worte zu fassen („lol, so\u2019n Mist“ oder „das ist sowas von krank“ usw.).<\/p>\n Die andere Technik (die auf maschinellem Lernen basiert) verl\u00e4sst sich auf die F\u00e4higkeit eines Computers, die Sprache, die f\u00fcr das Ausdr\u00fccken von Stimmungen verwendet wird, automatisch zu lernen, unabh\u00e4ngig davon, wie „gut“ oder „normal“ diese Sprache ist.<\/p>\n Zauberei gibt es jedoch nicht, und au\u00dferdem ist auch nichts umsonst. Die Maschine braucht Daten, von denen sie lernen kann (auch Trainingskorpus genannt), und bei der Sentimentanalyse bestehen diese Daten aus einer Reihe von Beispielen, die Menschen vorgegeben haben. Je mehr Beispiele der Maschine zum Lernen vorliegen, desto besser \u2013 Tausende Beispiele sind besser als Hunderte.<\/p>\n Sobald die Maschine die Beispiele gelernt hat, kann sie das erworbene Wissen auf neue, bisher nicht gelesene Dokumente anwenden und diese in Stimmungskategorien einteilen. Doch auch diese Technologie ist nicht perfekt. Das Problem liegt hier in der Themenabh\u00e4ngigkeit: Wenn eine Maschine mit einem Korpus aus Filmkritiken trainiert wurde, wird sie in Bezug auf beispielsweise Automobilbewertungen eher ungenaue Ergebnisse abliefern. Das hei\u00dft, man muss die Maschine in allen Themenbereichen trainieren, in denen sie zum Einsatz kommen soll.<\/p>\n\n
\nMaschinelles Lernen<\/h3>\n
\n
\nBrandwatch Sentimentanalyse<\/h3>\n
\n