SlideShare ist ein Scribd-Unternehmen logo
scopeKM
Knowledge Management
„Was sagt uns der Kunde eigentlich?“
Opinion Mining – finden die Meinung
jenseits von Stimmungen
scopeKM
Knowledge Management
-2-
Opinion Mining – finden die Meinung
jenseits von Stimmungen
Die Herausforderungen Opinion Mining
und Stimmungsanalyse
Die Abgrenzung
Die Ausbreitung von Social Media hat den
Stakeholdern € den Kunden, Mitarbeitern,
Aktion•ren und Zulieferern € einerseits
eine nie da gewesene M‚glichkeit
geschaffen, ihre Meinung bezƒglich der
Leistungen und dem Auftritt von Firmen
zu •ussern, anderseits aber auch ernste
M•ngel offenbart, wenn man die
Sinnhaftigkeit dieser „usserungen
betrachtet. Zur gleichen Zeit ist die
Dringlichkeit, in Echtzeit das Verst•ndnis
der Meinungen zu gewinnen stark
gewachsen: der virale Charakter von Social
Media bewirkt ungleiche Verteilung der
Aufmerksamkeit und schnelle Verbreitung
von Meinungen und Stimmungen.
Zur gleichen Zeit ist die schiere Menge an
Rohdaten auch die Gelegenheit, die
ge•usserten Meinungen besser zu nutzen.
Sprichw‚rtlich ist die Aussage, dass der
Schlƒsselfaktor des Erfolgs von Google
nicht die besseren Algorithmen sind,
sondern die Macht der verfƒgbaren
Datenmenge. Die Informationsƒberflutung
muss daher nicht zu einem Problem
sondern kann auch zu einer Chance
werden, wenn man den tausenden von
Stimmen einen Sinn gibt und die
Probleme identifiziert, sobald sie
entstehen.
Das Opinion Mining (OM) kann als
Teildisziplin der Computerlinguistik
definiert werden, die sich mit der
Extraktion von Meinungs•usserungen aus
unterschiedlichsten Quellen befasst. Bei
einem gegebenen Text analysiert dann das
OM-System:
… Welcher Teil des Textes als
Meinungs•usserung gilt
… Wer diese „usserung schrieb
und
… Was kommentiert wird.
Die Stimmungsanalyse, auf der anderen
Seite, beurteilt die Subjektivit•t, die
Polarit•t (positiv oder negativ) und
Polarit•tsst•rke (schwach positiv, leicht
positiv, stark positiv etc.) eines Textes:
… Welche Stimmungen wurden
bei dem Textverfasser evoziert.
Die Evolution von
Opinion Mining – von
den Keywords zu den
Concepts
Die zurzeit angewandten Ans•tze k‚nnen
in vier Hauptkategorien gruppiert werden:
Keyword Spotting, lexikalische Affinit•t,
statistische Methoden und konzept-
basierte Techniken.
scopeKM
Knowledge Management
-3-
Opinion Mining – finden die Meinung
jenseits von Stimmungen
Keyword Spotting
Obwohl als der naivste Ansatz, machen die
Einfachheit und der kleine mit ihm
verbundene Einsatz das Keyword Spotting
beliebt. Durch das Auffinden von
eindeutigen Stimmungs- oder
Affektwörtern wie glücklich, traurig,
ängstlich und gelangweilt klassifiziert der
Ansatz den Text in bestimmte Affekt-
Kategorien. Als Quellen für solche Wörter
werden sog. Affektivlexika benutzt, die die
Begriffe nach affektiven Kategorien
gruppieren.
Keyword Spotting hat Schwächen
insbesondere in zwei Bereichen: die
negativen Affekte können als solche nicht
eindeutig erkannt werden, und die
Methode beruht oft auf oberflächlichen
Merkmalen. Zwar kann ein Satz wie
„Heute war ein gelungener Tag“ korrekt
als positiv bewertet werden, die gleiche
positive Bewertung bekommt aber auch
der Satz „Der heutige Tag war nicht
gänzlich gelungen“. Zudem basiert
Keyword Spotting auf dem Auffinden von
allzu offensichtlichen Wörtern, die nur die
Oberflächenmerkmale des eigentlich
Gemeinten widerspiegeln. Vielfach aber
werden die Affekte eines Satzes eher durch
seine Bedeutung als durch Adjektive
eingefangen. Zum Beispiel der Text "Mein
Mann hat gerade die Scheidung
eingereicht und hat auch das Sorgerecht
für meine Kinder beantragt" evoziert sehr
starke Emotionen ohne dazu Affekt-
Keywords zu verwenden – die Methode
wird hier also unwirksam.
Lexikalischen Affinität
Lexikalische Affinität ist etwas
anspruchsvoller als Keyword Spotting. Der
Ansatz erkennt nicht nur die offensicht-
lichen Affekt-Wörter, sondern es werden
auch anderen Wörtern ihre wahrschein-
liche "Affinität" zu bestimmten
Emotionen zugewiesen. Zum Beispiel
weist der Ansatz dem Wort "Unfall" eine
75%-tige Wahrscheinlichkeit zu, einen
negativen Ereignis zu indizieren, z.B.
"Autounfall" oder „durch einen Unfall
verletzt“. Es ergeben sich aber für diesen
Ansatz zwei Hauptprobleme. Als erstes,
mit Negativsätzen („Ich vermied einen
Unfall“) oder Sätzen mit zweideutigen
Bedeutungen („Ich traf meine Freundin
zufällig“) wird die Methode ausgetrickst,
weil deren Anwendung ausschliesslich auf
Wortebene erfolgt. Zweitens, bedingdurch
den Jargon der Quelle t sind die
Ergebnisse der Methode häufig fach- oder
sachtypisch. Dies macht es schwierig, ein
wiederverwendbares, domain-
unabhängiges Modell zu entwickeln.
Statistische Methoden
Dieser Ansatz, der die Bayes-Inferenz und
Support-Vektor-Maschinen umfasst, wird
sehr häufig zur Klassifikation von
Stimmungen beinhaltenden Texten
eingesetzt. Durch das Einspeisen eines
automatisch lernenden Systems mit einer
durch Stimmungen annotierten und zum
Trainigszweck eingesetzten Text-
sammlung lernt das System nicht nur die
affektive Wertigkeit der Keywords (wie bei
dem Ansatz Keyword Spotting), sondern es
werden berücksichtigt sowohl die
Wertigkeit anderer Wörter (ähnlich zu der
Methode der lexikalischen Affinität), als
auch die Satzzeichen und die Frequenz der
gemeinsam auftretenden Wörter.
Im Allgemeinen gelten aber die
statistischen Methoden als semantisch
schwach, was zur Folge hat, dass – mit
scopeKM
Knowledge Management
-4-
Opinion Mining – finden die Meinung
jenseits von Stimmungen
Ausnahme ihrer Verwendung im
Zusammenhang mit Stimmungen – die
anderen Elemente nur wenig zu Vorher-
sagen beitragen können. Als geeignet
gelten die statistisch klassifizierten Texte
nur für ausreichend grosse
Textsammlungen.
Konzept-basierte Ansätze.
Zur Textanalyse werden hierbei die Web
Ontologien oder semantischen Netze
verwendet. Damit wird gewährleistet, dass
die mit der natürlichen Sprache
verbundenen konzeptionellen und
affektiven Informationen erfasst werden.
Die Nutzung breiter Wissensbasen
ermöglicht den entscheidenden Schritt
weg von der blinden Verwendung von
Keywords oder dem Zählen der
gemeinsam auftretenden Wörter (co-
occurrence) hin zu dem Konzept der
impliziten Bedeutung bzw. den impliziten
Eigenschaften, die mit der natürlichen
Sprache assoziiert werden. Der konzept-
basierte Ansatz ist den rein syntaktischen
Techniken weit überlegen, da er geeignet
ist, auch subtil ausgedrückte Stimmungen
zu erkennen.
Konzept-basierte Ansätze sind geeignet,
auch Ausdrücke, die aus mehreren
Wörtern bestehen und die nicht explizit
Stimmungen sondern Faktenvermitteln,
zu analysieren. Der konzeptbasierte Ansatz
stützt sich stark auf die Tiefe und Breite
der verwendeten Wissensbasis. Ohne diese
das menschliche Wissen umfassende
Ressource könnte das Opinion Mining
System nicht die Semantik der natürlichen
Sprache erfassen. Auf der anderen Seite
aber schränkt der Charakter der
Wissensbasis, d.h. die Tatsache, dass sie
vielfach nur die typischen
Konzeptinformationen beinhaltet, etwas
ihre Fähigkeit die semantischen Nuancen
zu behandeln.
Unser Lösungsansatz –
die Opinion Mining Skill
CartridgeTM
Die Grundlagen
Unsere Lösung kombiniert die
beschriebenen Ansätze auf der
inhaltlichen und syntaktischen Ebene.
Die Opinion Mining Skill CartridgeTM
(OMSCTM)
identifiziert und qualifiziert
evaluative Ausdrücke im Text (Quelle)
durch Aufdeckung von subjektive
Informationen vermittelnden sprachlichen
Zeichen und verknüpft diese mit ihrem
Ziel, wann immer es möglich ist. Die
Extraktionen werden nach einer
Themenhierarchie klassifiziert, die den
Inhalt-Snapshots der Dokumente
entspricht.
In der OMSCTM wird die Appraisal Theory
(Einschätzungstheorie) angewendet. In
der Psychologie geht die Appraisal-Theorie
von der Annahme aus, dass Emotionen die
Extraktion aus unserer Bewertungen
(Einschätzungen, Begutachtungen) von
Ereignissen sind, die spezifische
Reaktionen bei Menschen verursachen.
Wir entscheiden also, wie wir uns in einer
Situation fühlen, nachdem wir sie
interpretiert und die sie begleitenden
Phänomene für uns erklärt haben.
Modellierung der Meinungen
Ein bewertender Ausdruck (appraisal
expresion) ist dann eine Texteinheit, die
eine wertende Haltung gegenüber einigen
Zielen zum Ausdruck bringt. Entscheidend
scopeKM
Knowledge Management
-5-
Opinion Mining – finden die Meinung
jenseits von Stimmungen
dabei ist, die Attribute solcher evaluativen
Elemente zu finden und zu charakteri-
sieren. Die OMSCTM ordnet jedem solchen
Ausdruck unterschiedliche Attribute zu.
Die Attribute des evaluativen Ausdrucks
beschreiben die folgenden drei Haupt-
eigenschaften: den Evaluationstyp, die
Polarität und die Intensität (vgl. Abb. 1).
Das Ergebnis der Data Mining auf solche
appraisal Expression sind dann sinnvolle
und nicht-offensichtliche
Einsichten1.
1 Für die Beschreibung der Gesamtlösung
vgl. die Präsentation „Chancen und
Risiken erkennen“
Abb. 1: Kundespezifisch definierte Schlüsselelemente bei Opinion Mining
scopeKM
Knowledge Management
-6-
Opinion Mining – finden die Meinung
jenseits von Stimmungen
Das Attribut „Evaluationstyp“
Das Evaluationstyp-
Attribut
Beschreibung Beispiel
Affekt Emotionaler Zustand des
Autors
Ich war nie enttäusch von
diesem Produkt
Mir gefällt die Bildqualität
nicht
Urteil Bewertung der Objekt-
Eigenschaften
Die Bildqualität ist wirklich
ausserordentlich
Das Produkt ist
kostengünstig
Das Attribut „Polarität“ (oder „Tonalität“ bzw. „Orientierung“)
Das Attribut Polarität /
Tonalität
Beschreibung Beispiel
Positiv Der Ausdruck hat positive
Bedeutung
Es tönt gut!
Negativ Der Ausdruck hat negative
Bedeutung
Es ist wirklich zu teuer!
Neutral Der Ausdruck hat keine
innere Tonalität, beschreibt
aber Wichtigkeit (… es ist
entscheidend, …) oder
Überraschung (… es ist
überraschend, …)
Sie werden überrascht sein.
Unklar, zweideutig Die positive oder negative
Tonalität ist vom Kontext
(nur das nicht …) und/oder
von der übernommenen
Ansicht (… es ist strategisch
wichtig …) abhängig
Es ist strategisch von
grosser Bedeutung, diese
Massnahmen zu treffen.
scopeKM
Knowledge Management
-7-
Opinion Mining – finden die Meinung
jenseits von Stimmungen
Das Attribut „Intensität“ (bzw. „Stärke“)
Das Evaluationstyp-
Attribut
Beispiel
Stark Ich bin sehr enttäusch
Durchschnittlich Ich bin enttäuscht!
Schwach Ich bin etwas enttäuscht!
Die Anwendungen
Als Hauptanwendung von OMSCTM
gilt die Analyse der durch Anwender
generierten Inhalte, um Gesamteinsichten
zu erhalten und auch die schwachen
Signale aus dem st•tigen Informations-
fluss wahrzunehmen. Auf diese Art werden
die als unstrukturierte Daten geltenden
Blogs, CRM-Notizen, Posts in den Foren
oder Konsumentenumfragen analysiert,
um Trends zu ermitteln, Probleme zu
identifizieren oder Vorhersagen ƒber
kƒnftige Verhaltungsweisen abzuleiten.
Die Opinion Mining Skill CartridgeTM kann
eingesetzt werden beispielsweise fƒr:
… die Feinsteuerung der Angebote durch
das Antizipieren des Kundenbedarfs
und der Kundenerwartungen
… das Aktualisieren der Kenntnisse der
Entwicklungstrends
… das Analysieren von direkten
Feedbacks bezƒglich der Produkte und
Dienstleistungen und das Einfangen
von Kundenmeinungen
… die Analyse der Medienreaktionen auf
das Lancieren neuer Produkte
… das †berwachen von Corporate Image
und das Messen der Markenwerte
zwecks bessere Effizienz der
proaktiven Massnahmen
… das Messen der Wirkung von viralen
Marketing-Kampagnen, Online-
Werbung oder E-Commerce.
scopeKM
Knowledge Management
-8-
Opinion Mining – finden die Meinung
jenseits von Stimmungen
Beispiele:
Abb.2: Extraktion von Entitäten und Beziehungen mit der OMSC
TM
, in Dokumentsicht
scopeKM
Knowledge Management
-9-
Opinion Mining – finden die Meinung
jenseits von Stimmungen
Abb. 3: Beziehungen zwischen einzelnen Meinungen. Graphische Darstellung im Knowledge Browser

Weitere ähnliche Inhalte

Andere mochten auch

bürostuhl, büromöbel münchen
bürostuhl, büromöbel münchenbürostuhl, büromöbel münchen
bürostuhl, büromöbel münchenlindseyfadner
 
Kinobesuch - Das kleine Gespenst
Kinobesuch - Das kleine GespenstKinobesuch - Das kleine Gespenst
Kinobesuch - Das kleine Gespenstetwinning-bae
 
La sécurité toujours en éveil au cœur du processeur avec Intel et McAfee
La sécurité toujours en éveil au cœur du processeur avec Intel et McAfee La sécurité toujours en éveil au cœur du processeur avec Intel et McAfee
La sécurité toujours en éveil au cœur du processeur avec Intel et McAfee Microsoft Décideurs IT
 
Simulations paysagères de Trieu Collet
Simulations paysagères de Trieu ColletSimulations paysagères de Trieu Collet
Simulations paysagères de Trieu Colletarianewhyte
 
Paseo museo interactivo mirador
Paseo museo interactivo miradorPaseo museo interactivo mirador
Paseo museo interactivo miradorAnahi_2003
 
Synergien in der Google Produktwelt
Synergien in der Google ProduktweltSynergien in der Google Produktwelt
Synergien in der Google ProduktweltConnected-Blog
 
Artisans : comment utiliser le web pour augmenter votre CA ?
Artisans : comment utiliser le web pour augmenter votre CA ?Artisans : comment utiliser le web pour augmenter votre CA ?
Artisans : comment utiliser le web pour augmenter votre CA ?Nicolas Gillet
 
Chapitre vi np complétude
Chapitre vi np complétudeChapitre vi np complétude
Chapitre vi np complétudeSana Aroussi
 
Presentation emarketing
Presentation emarketingPresentation emarketing
Presentation emarketingNicolas Gillet
 
Windows 10: vers la fin des mots de passe ?
Windows 10: vers la fin des mots de passe ?Windows 10: vers la fin des mots de passe ?
Windows 10: vers la fin des mots de passe ?Microsoft Décideurs IT
 
Crerunjeuvidoavec scratch
Crerunjeuvidoavec scratchCrerunjeuvidoavec scratch
Crerunjeuvidoavec scratchZakka Bakka
 
1359561655 note de_synthese_les_economistes_interrogent_l_ess
1359561655 note de_synthese_les_economistes_interrogent_l_ess1359561655 note de_synthese_les_economistes_interrogent_l_ess
1359561655 note de_synthese_les_economistes_interrogent_l_essMARTIN SYLVAIN
 

Andere mochten auch (19)

bürostuhl, büromöbel münchen
bürostuhl, büromöbel münchenbürostuhl, büromöbel münchen
bürostuhl, büromöbel münchen
 
Best Buy - Q2, 2013
Best Buy - Q2, 2013Best Buy - Q2, 2013
Best Buy - Q2, 2013
 
Kinobesuch - Das kleine Gespenst
Kinobesuch - Das kleine GespenstKinobesuch - Das kleine Gespenst
Kinobesuch - Das kleine Gespenst
 
CONCEPT "ORGANO GOLD"
CONCEPT "ORGANO GOLD"CONCEPT "ORGANO GOLD"
CONCEPT "ORGANO GOLD"
 
Midpoint
MidpointMidpoint
Midpoint
 
Dossier de production
Dossier de productionDossier de production
Dossier de production
 
La sécurité toujours en éveil au cœur du processeur avec Intel et McAfee
La sécurité toujours en éveil au cœur du processeur avec Intel et McAfee La sécurité toujours en éveil au cœur du processeur avec Intel et McAfee
La sécurité toujours en éveil au cœur du processeur avec Intel et McAfee
 
Simulations paysagères de Trieu Collet
Simulations paysagères de Trieu ColletSimulations paysagères de Trieu Collet
Simulations paysagères de Trieu Collet
 
Mobile Device Management
Mobile Device ManagementMobile Device Management
Mobile Device Management
 
Paseo museo interactivo mirador
Paseo museo interactivo miradorPaseo museo interactivo mirador
Paseo museo interactivo mirador
 
Synergien in der Google Produktwelt
Synergien in der Google ProduktweltSynergien in der Google Produktwelt
Synergien in der Google Produktwelt
 
Artisans : comment utiliser le web pour augmenter votre CA ?
Artisans : comment utiliser le web pour augmenter votre CA ?Artisans : comment utiliser le web pour augmenter votre CA ?
Artisans : comment utiliser le web pour augmenter votre CA ?
 
Chapitre vi np complétude
Chapitre vi np complétudeChapitre vi np complétude
Chapitre vi np complétude
 
Presentation emarketing
Presentation emarketingPresentation emarketing
Presentation emarketing
 
Windows 10: vers la fin des mots de passe ?
Windows 10: vers la fin des mots de passe ?Windows 10: vers la fin des mots de passe ?
Windows 10: vers la fin des mots de passe ?
 
Aula 03
Aula 03Aula 03
Aula 03
 
Crerunjeuvidoavec scratch
Crerunjeuvidoavec scratchCrerunjeuvidoavec scratch
Crerunjeuvidoavec scratch
 
Reinosa
ReinosaReinosa
Reinosa
 
1359561655 note de_synthese_les_economistes_interrogent_l_ess
1359561655 note de_synthese_les_economistes_interrogent_l_ess1359561655 note de_synthese_les_economistes_interrogent_l_ess
1359561655 note de_synthese_les_economistes_interrogent_l_ess
 

Ähnlich wie scopeKM: Opinion Mining – finden die Meinung jenseits von Stimmungen

Coaching Mit Orientierungsmustern
Coaching Mit OrientierungsmusternCoaching Mit Orientierungsmustern
Coaching Mit OrientierungsmusternFranz Stowasser
 
Kontext in Mentoring und Coaching
Kontext in Mentoring und CoachingKontext in Mentoring und Coaching
Kontext in Mentoring und CoachingFrank Edelkraut
 
Hotel Feedbacksystem
Hotel FeedbacksystemHotel Feedbacksystem
Hotel FeedbacksystemTrendscope
 
Break-out Session: Sentimentanalyse durch maschinelles Lernen: Kundengefühle ...
Break-out Session: Sentimentanalyse durch maschinelles Lernen: Kundengefühle ...Break-out Session: Sentimentanalyse durch maschinelles Lernen: Kundengefühle ...
Break-out Session: Sentimentanalyse durch maschinelles Lernen: Kundengefühle ...HWZ Hochschule für Wirtschaft
 
Felser (2007) Werbe- und konsumentenpsychologie - Zusammenfassung von Alena R...
Felser (2007) Werbe- und konsumentenpsychologie - Zusammenfassung von Alena R...Felser (2007) Werbe- und konsumentenpsychologie - Zusammenfassung von Alena R...
Felser (2007) Werbe- und konsumentenpsychologie - Zusammenfassung von Alena R...Alena Romanenko
 
UX Thinking and Product Visions
UX Thinking and Product VisionsUX Thinking and Product Visions
UX Thinking and Product VisionsScreamin Wrba
 
digatus Design Thinking
digatus Design Thinking digatus Design Thinking
digatus Design Thinking digatus
 
Social Media Excellence 12 Universität St. Gallen
Social Media Excellence 12   Universität St. GallenSocial Media Excellence 12   Universität St. Gallen
Social Media Excellence 12 Universität St. GallenOlaf Frankfurt
 
Social Media Monitoring für Verlage
Social Media Monitoring für Verlage Social Media Monitoring für Verlage
Social Media Monitoring für Verlage Wibke Ladwig
 
Personas - Die Arbeit mit archetypischen Nutzern in der Produktentwicklung
Personas - Die Arbeit mit archetypischen Nutzern in der ProduktentwicklungPersonas - Die Arbeit mit archetypischen Nutzern in der Produktentwicklung
Personas - Die Arbeit mit archetypischen Nutzern in der ProduktentwicklunguxHH
 
Feedback im Praxisunterricht
Feedback im PraxisunterrichtFeedback im Praxisunterricht
Feedback im Praxisunterrichteuros123
 
A fool with a tool is still a fool. Social Media Analysis: angewandte Praxis
A fool with a tool is still a fool. Social Media Analysis: angewandte PraxisA fool with a tool is still a fool. Social Media Analysis: angewandte Praxis
A fool with a tool is still a fool. Social Media Analysis: angewandte PraxisBeck et al. GmbH
 
Testimonials in der werbung: Chance und Risiken am Bsp C&A
Testimonials in der werbung: Chance und Risiken am Bsp C&ATestimonials in der werbung: Chance und Risiken am Bsp C&A
Testimonials in der werbung: Chance und Risiken am Bsp C&ATetyana Repetya
 
Voraussetzungen, Prinzipien Und Beispiele Einer FöRderungsorientierten Diagno...
Voraussetzungen, Prinzipien Und Beispiele Einer FöRderungsorientierten Diagno...Voraussetzungen, Prinzipien Und Beispiele Einer FöRderungsorientierten Diagno...
Voraussetzungen, Prinzipien Und Beispiele Einer FöRderungsorientierten Diagno...leaprojekt
 
Decision-Making-Entscheidungsfindung in Stresssituationen
Decision-Making-Entscheidungsfindung in StresssituationenDecision-Making-Entscheidungsfindung in Stresssituationen
Decision-Making-Entscheidungsfindung in StresssituationenVolkmar Langer
 
Vortrag "SEO-Keywords finden für Berater"
Vortrag "SEO-Keywords finden für Berater"Vortrag "SEO-Keywords finden für Berater"
Vortrag "SEO-Keywords finden für Berater"Kai Michael Rauch
 
Social Media Strategie
Social Media StrategieSocial Media Strategie
Social Media StrategieDörte Böhner
 
Mental model diagramm karen lindemann
Mental model diagramm   karen lindemannMental model diagramm   karen lindemann
Mental model diagramm karen lindemannKaren Lindemann
 

Ähnlich wie scopeKM: Opinion Mining – finden die Meinung jenseits von Stimmungen (20)

Bpkmu 03 07 Management2
Bpkmu 03 07 Management2Bpkmu 03 07 Management2
Bpkmu 03 07 Management2
 
Coaching Mit Orientierungsmustern
Coaching Mit OrientierungsmusternCoaching Mit Orientierungsmustern
Coaching Mit Orientierungsmustern
 
Kontext in Mentoring und Coaching
Kontext in Mentoring und CoachingKontext in Mentoring und Coaching
Kontext in Mentoring und Coaching
 
Bpkmu 04 07_management3
Bpkmu 04 07_management3Bpkmu 04 07_management3
Bpkmu 04 07_management3
 
Hotel Feedbacksystem
Hotel FeedbacksystemHotel Feedbacksystem
Hotel Feedbacksystem
 
Break-out Session: Sentimentanalyse durch maschinelles Lernen: Kundengefühle ...
Break-out Session: Sentimentanalyse durch maschinelles Lernen: Kundengefühle ...Break-out Session: Sentimentanalyse durch maschinelles Lernen: Kundengefühle ...
Break-out Session: Sentimentanalyse durch maschinelles Lernen: Kundengefühle ...
 
Felser (2007) Werbe- und konsumentenpsychologie - Zusammenfassung von Alena R...
Felser (2007) Werbe- und konsumentenpsychologie - Zusammenfassung von Alena R...Felser (2007) Werbe- und konsumentenpsychologie - Zusammenfassung von Alena R...
Felser (2007) Werbe- und konsumentenpsychologie - Zusammenfassung von Alena R...
 
UX Thinking and Product Visions
UX Thinking and Product VisionsUX Thinking and Product Visions
UX Thinking and Product Visions
 
digatus Design Thinking
digatus Design Thinking digatus Design Thinking
digatus Design Thinking
 
Social Media Excellence 12 Universität St. Gallen
Social Media Excellence 12   Universität St. GallenSocial Media Excellence 12   Universität St. Gallen
Social Media Excellence 12 Universität St. Gallen
 
Social Media Monitoring für Verlage
Social Media Monitoring für Verlage Social Media Monitoring für Verlage
Social Media Monitoring für Verlage
 
Personas - Die Arbeit mit archetypischen Nutzern in der Produktentwicklung
Personas - Die Arbeit mit archetypischen Nutzern in der ProduktentwicklungPersonas - Die Arbeit mit archetypischen Nutzern in der Produktentwicklung
Personas - Die Arbeit mit archetypischen Nutzern in der Produktentwicklung
 
Feedback im Praxisunterricht
Feedback im PraxisunterrichtFeedback im Praxisunterricht
Feedback im Praxisunterricht
 
A fool with a tool is still a fool. Social Media Analysis: angewandte Praxis
A fool with a tool is still a fool. Social Media Analysis: angewandte PraxisA fool with a tool is still a fool. Social Media Analysis: angewandte Praxis
A fool with a tool is still a fool. Social Media Analysis: angewandte Praxis
 
Testimonials in der werbung: Chance und Risiken am Bsp C&A
Testimonials in der werbung: Chance und Risiken am Bsp C&ATestimonials in der werbung: Chance und Risiken am Bsp C&A
Testimonials in der werbung: Chance und Risiken am Bsp C&A
 
Voraussetzungen, Prinzipien Und Beispiele Einer FöRderungsorientierten Diagno...
Voraussetzungen, Prinzipien Und Beispiele Einer FöRderungsorientierten Diagno...Voraussetzungen, Prinzipien Und Beispiele Einer FöRderungsorientierten Diagno...
Voraussetzungen, Prinzipien Und Beispiele Einer FöRderungsorientierten Diagno...
 
Decision-Making-Entscheidungsfindung in Stresssituationen
Decision-Making-Entscheidungsfindung in StresssituationenDecision-Making-Entscheidungsfindung in Stresssituationen
Decision-Making-Entscheidungsfindung in Stresssituationen
 
Vortrag "SEO-Keywords finden für Berater"
Vortrag "SEO-Keywords finden für Berater"Vortrag "SEO-Keywords finden für Berater"
Vortrag "SEO-Keywords finden für Berater"
 
Social Media Strategie
Social Media StrategieSocial Media Strategie
Social Media Strategie
 
Mental model diagramm karen lindemann
Mental model diagramm   karen lindemannMental model diagramm   karen lindemann
Mental model diagramm karen lindemann
 

Mehr von scopeKM GmbH Knowledge Management

scopeKM: Chancen und Risiken erkennen mit der textanalytischen Lösung Luxid®
scopeKM: Chancen und Risiken erkennen mit der textanalytischen Lösung Luxid® scopeKM: Chancen und Risiken erkennen mit der textanalytischen Lösung Luxid®
scopeKM: Chancen und Risiken erkennen mit der textanalytischen Lösung Luxid® scopeKM GmbH Knowledge Management
 
scopeKM: Allumfassende Extraktion von Informationen aus den Social Media
scopeKM: Allumfassende Extraktion von Informationen aus den  Social Media  scopeKM: Allumfassende Extraktion von Informationen aus den  Social Media
scopeKM: Allumfassende Extraktion von Informationen aus den Social Media scopeKM GmbH Knowledge Management
 
scopeKM: B2B Service Lifecycle Suite, Die Service Center und Self Service Lös...
scopeKM: B2B Service Lifecycle Suite, Die Service Center und Self Service Lös...scopeKM: B2B Service Lifecycle Suite, Die Service Center und Self Service Lös...
scopeKM: B2B Service Lifecycle Suite, Die Service Center und Self Service Lös...scopeKM GmbH Knowledge Management
 
Juraj Schick/scopeKM: Social Media intelligent beobachten, sinnvoll auswerten...
Juraj Schick/scopeKM: Social Media intelligent beobachten, sinnvoll auswerten...Juraj Schick/scopeKM: Social Media intelligent beobachten, sinnvoll auswerten...
Juraj Schick/scopeKM: Social Media intelligent beobachten, sinnvoll auswerten...scopeKM GmbH Knowledge Management
 

Mehr von scopeKM GmbH Knowledge Management (7)

Cognitive Computing in der Finanzindustrie
Cognitive Computing in der FinanzindustrieCognitive Computing in der Finanzindustrie
Cognitive Computing in der Finanzindustrie
 
Closed loop with Computer Linguistics
Closed loop with Computer LinguisticsClosed loop with Computer Linguistics
Closed loop with Computer Linguistics
 
scopeKM: Text analysis with Triples
scopeKM: Text analysis with TriplesscopeKM: Text analysis with Triples
scopeKM: Text analysis with Triples
 
scopeKM: Chancen und Risiken erkennen mit der textanalytischen Lösung Luxid®
scopeKM: Chancen und Risiken erkennen mit der textanalytischen Lösung Luxid® scopeKM: Chancen und Risiken erkennen mit der textanalytischen Lösung Luxid®
scopeKM: Chancen und Risiken erkennen mit der textanalytischen Lösung Luxid®
 
scopeKM: Allumfassende Extraktion von Informationen aus den Social Media
scopeKM: Allumfassende Extraktion von Informationen aus den  Social Media  scopeKM: Allumfassende Extraktion von Informationen aus den  Social Media
scopeKM: Allumfassende Extraktion von Informationen aus den Social Media
 
scopeKM: B2B Service Lifecycle Suite, Die Service Center und Self Service Lös...
scopeKM: B2B Service Lifecycle Suite, Die Service Center und Self Service Lös...scopeKM: B2B Service Lifecycle Suite, Die Service Center und Self Service Lös...
scopeKM: B2B Service Lifecycle Suite, Die Service Center und Self Service Lös...
 
Juraj Schick/scopeKM: Social Media intelligent beobachten, sinnvoll auswerten...
Juraj Schick/scopeKM: Social Media intelligent beobachten, sinnvoll auswerten...Juraj Schick/scopeKM: Social Media intelligent beobachten, sinnvoll auswerten...
Juraj Schick/scopeKM: Social Media intelligent beobachten, sinnvoll auswerten...
 

scopeKM: Opinion Mining – finden die Meinung jenseits von Stimmungen

  • 1. scopeKM Knowledge Management „Was sagt uns der Kunde eigentlich?“ Opinion Mining – finden die Meinung jenseits von Stimmungen
  • 2. scopeKM Knowledge Management -2- Opinion Mining – finden die Meinung jenseits von Stimmungen Die Herausforderungen Opinion Mining und Stimmungsanalyse Die Abgrenzung Die Ausbreitung von Social Media hat den Stakeholdern € den Kunden, Mitarbeitern, Aktion•ren und Zulieferern € einerseits eine nie da gewesene M‚glichkeit geschaffen, ihre Meinung bezƒglich der Leistungen und dem Auftritt von Firmen zu •ussern, anderseits aber auch ernste M•ngel offenbart, wenn man die Sinnhaftigkeit dieser „usserungen betrachtet. Zur gleichen Zeit ist die Dringlichkeit, in Echtzeit das Verst•ndnis der Meinungen zu gewinnen stark gewachsen: der virale Charakter von Social Media bewirkt ungleiche Verteilung der Aufmerksamkeit und schnelle Verbreitung von Meinungen und Stimmungen. Zur gleichen Zeit ist die schiere Menge an Rohdaten auch die Gelegenheit, die ge•usserten Meinungen besser zu nutzen. Sprichw‚rtlich ist die Aussage, dass der Schlƒsselfaktor des Erfolgs von Google nicht die besseren Algorithmen sind, sondern die Macht der verfƒgbaren Datenmenge. Die Informationsƒberflutung muss daher nicht zu einem Problem sondern kann auch zu einer Chance werden, wenn man den tausenden von Stimmen einen Sinn gibt und die Probleme identifiziert, sobald sie entstehen. Das Opinion Mining (OM) kann als Teildisziplin der Computerlinguistik definiert werden, die sich mit der Extraktion von Meinungs•usserungen aus unterschiedlichsten Quellen befasst. Bei einem gegebenen Text analysiert dann das OM-System: … Welcher Teil des Textes als Meinungs•usserung gilt … Wer diese „usserung schrieb und … Was kommentiert wird. Die Stimmungsanalyse, auf der anderen Seite, beurteilt die Subjektivit•t, die Polarit•t (positiv oder negativ) und Polarit•tsst•rke (schwach positiv, leicht positiv, stark positiv etc.) eines Textes: … Welche Stimmungen wurden bei dem Textverfasser evoziert. Die Evolution von Opinion Mining – von den Keywords zu den Concepts Die zurzeit angewandten Ans•tze k‚nnen in vier Hauptkategorien gruppiert werden: Keyword Spotting, lexikalische Affinit•t, statistische Methoden und konzept- basierte Techniken.
  • 3. scopeKM Knowledge Management -3- Opinion Mining – finden die Meinung jenseits von Stimmungen Keyword Spotting Obwohl als der naivste Ansatz, machen die Einfachheit und der kleine mit ihm verbundene Einsatz das Keyword Spotting beliebt. Durch das Auffinden von eindeutigen Stimmungs- oder Affektwörtern wie glücklich, traurig, ängstlich und gelangweilt klassifiziert der Ansatz den Text in bestimmte Affekt- Kategorien. Als Quellen für solche Wörter werden sog. Affektivlexika benutzt, die die Begriffe nach affektiven Kategorien gruppieren. Keyword Spotting hat Schwächen insbesondere in zwei Bereichen: die negativen Affekte können als solche nicht eindeutig erkannt werden, und die Methode beruht oft auf oberflächlichen Merkmalen. Zwar kann ein Satz wie „Heute war ein gelungener Tag“ korrekt als positiv bewertet werden, die gleiche positive Bewertung bekommt aber auch der Satz „Der heutige Tag war nicht gänzlich gelungen“. Zudem basiert Keyword Spotting auf dem Auffinden von allzu offensichtlichen Wörtern, die nur die Oberflächenmerkmale des eigentlich Gemeinten widerspiegeln. Vielfach aber werden die Affekte eines Satzes eher durch seine Bedeutung als durch Adjektive eingefangen. Zum Beispiel der Text "Mein Mann hat gerade die Scheidung eingereicht und hat auch das Sorgerecht für meine Kinder beantragt" evoziert sehr starke Emotionen ohne dazu Affekt- Keywords zu verwenden – die Methode wird hier also unwirksam. Lexikalischen Affinität Lexikalische Affinität ist etwas anspruchsvoller als Keyword Spotting. Der Ansatz erkennt nicht nur die offensicht- lichen Affekt-Wörter, sondern es werden auch anderen Wörtern ihre wahrschein- liche "Affinität" zu bestimmten Emotionen zugewiesen. Zum Beispiel weist der Ansatz dem Wort "Unfall" eine 75%-tige Wahrscheinlichkeit zu, einen negativen Ereignis zu indizieren, z.B. "Autounfall" oder „durch einen Unfall verletzt“. Es ergeben sich aber für diesen Ansatz zwei Hauptprobleme. Als erstes, mit Negativsätzen („Ich vermied einen Unfall“) oder Sätzen mit zweideutigen Bedeutungen („Ich traf meine Freundin zufällig“) wird die Methode ausgetrickst, weil deren Anwendung ausschliesslich auf Wortebene erfolgt. Zweitens, bedingdurch den Jargon der Quelle t sind die Ergebnisse der Methode häufig fach- oder sachtypisch. Dies macht es schwierig, ein wiederverwendbares, domain- unabhängiges Modell zu entwickeln. Statistische Methoden Dieser Ansatz, der die Bayes-Inferenz und Support-Vektor-Maschinen umfasst, wird sehr häufig zur Klassifikation von Stimmungen beinhaltenden Texten eingesetzt. Durch das Einspeisen eines automatisch lernenden Systems mit einer durch Stimmungen annotierten und zum Trainigszweck eingesetzten Text- sammlung lernt das System nicht nur die affektive Wertigkeit der Keywords (wie bei dem Ansatz Keyword Spotting), sondern es werden berücksichtigt sowohl die Wertigkeit anderer Wörter (ähnlich zu der Methode der lexikalischen Affinität), als auch die Satzzeichen und die Frequenz der gemeinsam auftretenden Wörter. Im Allgemeinen gelten aber die statistischen Methoden als semantisch schwach, was zur Folge hat, dass – mit
  • 4. scopeKM Knowledge Management -4- Opinion Mining – finden die Meinung jenseits von Stimmungen Ausnahme ihrer Verwendung im Zusammenhang mit Stimmungen – die anderen Elemente nur wenig zu Vorher- sagen beitragen können. Als geeignet gelten die statistisch klassifizierten Texte nur für ausreichend grosse Textsammlungen. Konzept-basierte Ansätze. Zur Textanalyse werden hierbei die Web Ontologien oder semantischen Netze verwendet. Damit wird gewährleistet, dass die mit der natürlichen Sprache verbundenen konzeptionellen und affektiven Informationen erfasst werden. Die Nutzung breiter Wissensbasen ermöglicht den entscheidenden Schritt weg von der blinden Verwendung von Keywords oder dem Zählen der gemeinsam auftretenden Wörter (co- occurrence) hin zu dem Konzept der impliziten Bedeutung bzw. den impliziten Eigenschaften, die mit der natürlichen Sprache assoziiert werden. Der konzept- basierte Ansatz ist den rein syntaktischen Techniken weit überlegen, da er geeignet ist, auch subtil ausgedrückte Stimmungen zu erkennen. Konzept-basierte Ansätze sind geeignet, auch Ausdrücke, die aus mehreren Wörtern bestehen und die nicht explizit Stimmungen sondern Faktenvermitteln, zu analysieren. Der konzeptbasierte Ansatz stützt sich stark auf die Tiefe und Breite der verwendeten Wissensbasis. Ohne diese das menschliche Wissen umfassende Ressource könnte das Opinion Mining System nicht die Semantik der natürlichen Sprache erfassen. Auf der anderen Seite aber schränkt der Charakter der Wissensbasis, d.h. die Tatsache, dass sie vielfach nur die typischen Konzeptinformationen beinhaltet, etwas ihre Fähigkeit die semantischen Nuancen zu behandeln. Unser Lösungsansatz – die Opinion Mining Skill CartridgeTM Die Grundlagen Unsere Lösung kombiniert die beschriebenen Ansätze auf der inhaltlichen und syntaktischen Ebene. Die Opinion Mining Skill CartridgeTM (OMSCTM) identifiziert und qualifiziert evaluative Ausdrücke im Text (Quelle) durch Aufdeckung von subjektive Informationen vermittelnden sprachlichen Zeichen und verknüpft diese mit ihrem Ziel, wann immer es möglich ist. Die Extraktionen werden nach einer Themenhierarchie klassifiziert, die den Inhalt-Snapshots der Dokumente entspricht. In der OMSCTM wird die Appraisal Theory (Einschätzungstheorie) angewendet. In der Psychologie geht die Appraisal-Theorie von der Annahme aus, dass Emotionen die Extraktion aus unserer Bewertungen (Einschätzungen, Begutachtungen) von Ereignissen sind, die spezifische Reaktionen bei Menschen verursachen. Wir entscheiden also, wie wir uns in einer Situation fühlen, nachdem wir sie interpretiert und die sie begleitenden Phänomene für uns erklärt haben. Modellierung der Meinungen Ein bewertender Ausdruck (appraisal expresion) ist dann eine Texteinheit, die eine wertende Haltung gegenüber einigen Zielen zum Ausdruck bringt. Entscheidend
  • 5. scopeKM Knowledge Management -5- Opinion Mining – finden die Meinung jenseits von Stimmungen dabei ist, die Attribute solcher evaluativen Elemente zu finden und zu charakteri- sieren. Die OMSCTM ordnet jedem solchen Ausdruck unterschiedliche Attribute zu. Die Attribute des evaluativen Ausdrucks beschreiben die folgenden drei Haupt- eigenschaften: den Evaluationstyp, die Polarität und die Intensität (vgl. Abb. 1). Das Ergebnis der Data Mining auf solche appraisal Expression sind dann sinnvolle und nicht-offensichtliche Einsichten1. 1 Für die Beschreibung der Gesamtlösung vgl. die Präsentation „Chancen und Risiken erkennen“ Abb. 1: Kundespezifisch definierte Schlüsselelemente bei Opinion Mining
  • 6. scopeKM Knowledge Management -6- Opinion Mining – finden die Meinung jenseits von Stimmungen Das Attribut „Evaluationstyp“ Das Evaluationstyp- Attribut Beschreibung Beispiel Affekt Emotionaler Zustand des Autors Ich war nie enttäusch von diesem Produkt Mir gefällt die Bildqualität nicht Urteil Bewertung der Objekt- Eigenschaften Die Bildqualität ist wirklich ausserordentlich Das Produkt ist kostengünstig Das Attribut „Polarität“ (oder „Tonalität“ bzw. „Orientierung“) Das Attribut Polarität / Tonalität Beschreibung Beispiel Positiv Der Ausdruck hat positive Bedeutung Es tönt gut! Negativ Der Ausdruck hat negative Bedeutung Es ist wirklich zu teuer! Neutral Der Ausdruck hat keine innere Tonalität, beschreibt aber Wichtigkeit (… es ist entscheidend, …) oder Überraschung (… es ist überraschend, …) Sie werden überrascht sein. Unklar, zweideutig Die positive oder negative Tonalität ist vom Kontext (nur das nicht …) und/oder von der übernommenen Ansicht (… es ist strategisch wichtig …) abhängig Es ist strategisch von grosser Bedeutung, diese Massnahmen zu treffen.
  • 7. scopeKM Knowledge Management -7- Opinion Mining – finden die Meinung jenseits von Stimmungen Das Attribut „Intensität“ (bzw. „Stärke“) Das Evaluationstyp- Attribut Beispiel Stark Ich bin sehr enttäusch Durchschnittlich Ich bin enttäuscht! Schwach Ich bin etwas enttäuscht! Die Anwendungen Als Hauptanwendung von OMSCTM gilt die Analyse der durch Anwender generierten Inhalte, um Gesamteinsichten zu erhalten und auch die schwachen Signale aus dem st•tigen Informations- fluss wahrzunehmen. Auf diese Art werden die als unstrukturierte Daten geltenden Blogs, CRM-Notizen, Posts in den Foren oder Konsumentenumfragen analysiert, um Trends zu ermitteln, Probleme zu identifizieren oder Vorhersagen ƒber kƒnftige Verhaltungsweisen abzuleiten. Die Opinion Mining Skill CartridgeTM kann eingesetzt werden beispielsweise fƒr: … die Feinsteuerung der Angebote durch das Antizipieren des Kundenbedarfs und der Kundenerwartungen … das Aktualisieren der Kenntnisse der Entwicklungstrends … das Analysieren von direkten Feedbacks bezƒglich der Produkte und Dienstleistungen und das Einfangen von Kundenmeinungen … die Analyse der Medienreaktionen auf das Lancieren neuer Produkte … das †berwachen von Corporate Image und das Messen der Markenwerte zwecks bessere Effizienz der proaktiven Massnahmen … das Messen der Wirkung von viralen Marketing-Kampagnen, Online- Werbung oder E-Commerce.
  • 8. scopeKM Knowledge Management -8- Opinion Mining – finden die Meinung jenseits von Stimmungen Beispiele: Abb.2: Extraktion von Entitäten und Beziehungen mit der OMSC TM , in Dokumentsicht
  • 9. scopeKM Knowledge Management -9- Opinion Mining – finden die Meinung jenseits von Stimmungen Abb. 3: Beziehungen zwischen einzelnen Meinungen. Graphische Darstellung im Knowledge Browser