EXTRAKTION UND KLASSIFIKATION VON BEWERTETEN PRODUKTFEATURES AUF WEBSEITEN

Größe: px
Ab Seite anzeigen:

Download "EXTRAKTION UND KLASSIFIKATION VON BEWERTETEN PRODUKTFEATURES AUF WEBSEITEN"

Transkript

1 EXTRAKTION UND KLASSIFIKATION VON BEWERTETEN PRODUKTFEATURES AUF WEBSEITEN T-SYSTEMS MULTIMEDIA SOLUTIONS GMBH, 16. FEBRUAR Schlüsselworte Semantic Web, Opinion Mining, Sentiment Analysis, Stimmungsanalyse, Natural Language Processing, Produktbewertungen, Kundenmeinungen, Meinungen, maschinelles Lernen, Computerlinguistik, Wörterbuch 2. Kontext der Arbeit Der Fokus dieser Arbeit liegt auf dem automatischen Klassifizieren von aus dem Internet gewonnenen Meinungen bezüglich ihrer Orientierung. Das heißt, es ist das Ziel automatisch eine große Menge an Meinungen positiven, negativen oder gegebenenfalls objektiven Kategorien zuzuordnen. Diese semantische Analyse von Daten wird als Opinion Mining (dt. Stimmungsanalyse) bezeichnet. Die Verfahren aus diesem Bereich sind vorrangig für unstrukturierte Daten konzipiert. Dies ist auch häufig die Form der aus dem Internet extrahierten Dokumente. Die Sprache, in der diese Klassifizierung umgesetzt wird, ist Deutsch. Grund hierfür ist, dass der Großteil der bisherigen Forschungen englischsprachige Dokumente betrachtet, die deutsche Sprache ist hinsichtlich des Opinion Mining relativ unerforscht. In dieser Arbeit wird die Problemstellung folgendermaßen gelöst: Es sollen erst Sätze in positive, negative und gegebenenfalls objektive Kategorien mit Hilfe eines maschinellen Klassifikators eingeordnet werden. Interessant erscheint hier die Frage, ob mit Hilfe von maschinellen Lernverfahren, ohne jegliche Vorverarbeitung und Regelbildung, Sätze hinsichtlich ihrer Polaritäten klassifiziert werden können. Anschließend sollen aus den klassifizierten Sätzen sogenannte Problemklassen gebildet werden. Dies wird mit Hilfe von Methoden aus dem Bereich der Informationsextraktion umgesetzt. Die Produkte und deren Aspekte, welche in den Sätzen genannt werden, sollen extrahiert werden. Zusätzlich kann eventuell mittels dieser Methoden eine genauere, nicht nur satzweise, sondern auf der Ebene von Wortgruppen erfolgende Zuordnung von Meinungen zu den einzelnen Aspekten erfolgen. SEITE I

2 Opinion Mining vereint viele unterschiedliche Fachbereiche. Es werden eine Vielzahl von Verfahren aus dem Bereich der Computerlinguistik, dem Information Retrieval, der Informationsextraktion und auch aus dem Bereich des Text Mining angewendet. 3. Motivation zu diesem Thema Da mittels des Internets der Zugang zu scheinbar unendlich vielen Meinungen über ebenso unendlich vielen Themen gelegt ist, werden für diese Masse an Daten automatische Analysetechniken benötigt. Nicht nur die große Menge der Daten ist ein Grund für die Notwendigkeit maschineller Techniken. Auch ist es für einen Menschen nicht immer möglich, objektiv Meinungen zu klassifizieren. Häufig sind sich verschiedene Personen nicht einig darüber, ob eine Aussage eher positiver oder negativer Natur ist. Eventuell können Maschinen hier eine konsistentere Klassifikation bieten. Einer Maschine können dafür Regeln beigebracht werden oder sie können selbst anhand von Beispielen Muster erlernen. Letzteres bezieht sich auf den Ansatz des maschinellen Lernens. Wenn ein Computer anhand von Beispielsätzen zukünftig neue Sätze automatisch in die Kategorien positiv und negativ einordnen könnte, wie hilfreich wäre dies beispielsweise für einen Produktersteller? Er könnte sich geäußerte Meinungen zu dem neu auf dem Markt erschienenen Produkt automatisch zusammenfassen lassen. Wie viele Nutzer könnten vor der Unzufriedenheit mit fehlerhaften Produkten bewahrt werden, wenn schnell erkennbar ist, dass diese Geräte eventuell Produktionsfehler haben? Und wie viele Hersteller könnten rechtzeitig auf diesen Mangel ihres Produktes reagieren? Ausgehend von diesen Fragestellungen wird in der vorliegenden Arbeit die automatische Analyse von Meinungen betrachtet. 4. Forschungsdesign In dieser Arbeit soll unter anderem die Eignung maschineller Klassifikatoren für das Opinion Mining überprüft werden. Zusätzlich soll herausgefunden werden, ob es sinnvoll ist, erst Sätze hinsichtlich ihrer Polaritäten zu ordnen und anschließend zu bestimmen, welches Thema diese beinhalten. Dazu werden die folgenden Forschungsfragen formuliert: Können mit Hilfe von automatischer Textklassifikation Sätze ohne spezielle Vorverarbeitung in positive, neutrale und negative Kategorien eingeordnet werden? SEITE II

3 Welche Methode - die regelbasierte oder die automatisierte - arbeitet hinsichtlich des Einordnens von Dokumenten in Polaritätskategorien mit größerer Genauigkeit und Zuverlässigkeit? Ist ein erstelltes Modell eines Textklassifikators für eine Domäne, auch erfolgreich anwendbar auf eine weitere Domäne? Können mit Hilfe von Methoden des Text-Mining und der Informationsextraktion aus den bereits kategorisierten Dokumenten Problemklassen eines Produktes gebildet werden? In den meisten Forschungsansätzen wird zuerst der Inhalt der zu klassifizierenden Sätze untersucht. In dieser Arbeit wird jedoch ein anderer Ablauf gewählt. Es werden zuerst Sätze nach ihrer Polarität sortiert und anschließend erfolgt die Extraktion des Themas. Es soll herausgefunden werden, ob dieser Ansatz allgemeingültiger ist. Außerdem wird ein Vergleich von regelbasierten und statistisch basierten Verfahren durchgeführt. 5. Erkenntnisse Mit dieser Arbeit wurde gezeigt, dass Methoden aus dem Bereich des maschinellen Lernens erfolgreich anwendbar für das Opinion Mining sind. Es stellte sich zudem heraus, dass ein maschineller Klassifikator bessere Ergebnisse erzielt, wenn er anhand möglichst großer Trainingsmengen trainiert wird. Mit den hier verwendeten Datensätzen konnte eine durchschnittliche Precision von 67% erreicht werden. Die höchste erzielte Genauigkeit bei den Untersuchungen war 79%. Im Vergleich zu einem regelbasierten Ansatz, welcher durchschnittlich eine Genauigkeit von 62% beim Einordnen der Sätze in positive und negative Kategorien erzielte, ist der statistisch basierte Datensatz in diesem Fall der bessere. Da die Trainingsdatensätze für den maschinellen Klassifikator mit Hilfe von Bewertungen aus einer Produktdomäne erstellt wurden, könnte man annehmen dass dieser Klassifikator domänenabhängig ist. Es konnte jedoch gezeigt werden, dass erstellte Modelle einer Domäne auch auf andere Sätze mit einer Genauigkeit von ca. 60% angewendet werden können. Dieses Ergebnis ist nicht wesentlich schlechter, als der do- SEITE III

4 mänenunabhängige regelbasierte Ansatz, womit eine weitere Forschungsfrage beantwortet ist. Mit Hilfe von Informationsextraktionsmethoden konnte erfolgreich extrahiert werden, von welchen Themen die zuvor klassifizierten Sätze handeln. Das heißt das Ergebnis der Untersuchung der Sätze stellt die einzelnen Eigenschaften eines Produktes dar und wie oft diese in positiven oder negativen Sätzen vorkamen. Somit kann ein Nutzer sich automatisch darstellen lassen, wie ein Produkt von anderen Nutzern bewertet wurde und welche Eigenschaften negativ aufgefallen sind. Für Unternehmen stellt dies wertvolles Wissen dar. Produkte können somit schnell ohne langwierige Marktanalysen untersucht, deren Qualität verbessert und die Kundenzufriedenheit gesteigert werden. 6. Weiteres Forschungspotenzial Für zukünftige Forschungen in dem Bereich Opinion Mining mit der Sprache Deutsch bleiben einige Problemstellungen ungelöst. So könnte zum Beispiel die Unterscheidung von subjektiven und objektiven Sätzen tiefgründiger betrachtet werden. In dieser Arbeit wurde versucht dies mit Hilfe der objektiven Kategorie umzusetzen, jedoch wurden für die Klassifikation dieser Sätze keine befriedigenden Ergebnisse erzielt. Diese lagen bei einer durchschnittlichen Precision von 59%. Der Grund dafür ist unter anderem das Fehlen dieser Kategorie im größten Teil der verwendeten Datensätze. In dieser Arbeit wurde die Zuordnung der Meinungen zu den Aspekten ausschließlich über die Ebene des Satzes vollzogen. Dies könnte zukünftig detaillierter betrachtet werden, da mehrere Aspekte in einem Satz erwähnt werden können und dennoch die darauf bezogenen Meinungen nicht die gleichen Polaritäten besitzen müssen. Hier könnten Wörter wie aber, und etc. in die Analyse einbezogen werden um Polaritätsänderungen zu erkennen. Ebenso könnte mit Hilfe von Adjektiven welche nah an den einzelnen Aspekten auftreten, eine genauere Zuordnung der Meinungen erfolgen. Das Erkennen von negativen Sätzen wird mit Hilfe statistischer Verfahren besser umgesetzt, als mit regelbasierten. Doch hier gibt es dennoch Forschungsbedarf um insgesamt eine höhere Qualität darin zu erzielen. Eventuell ist es sinnvoll regelbasierte und statistische Verfahren miteinander zu kombinieren. Dies könnte zum Beispiel mit Hilfe von Synonymen umgesetzt werden. Die Sätze der Goldstandards aus der vorliegen- SEITE IV

5 den Arbeit könnten erweitert werden indem die darin erhaltenen Wörter durch Synonyme aus einem Wörterbuch ersetzt werden. Daraus müssten neue Sätze gebildet und der Trainingsmenge zusätzlich hinzugefügt werden. Somit würden automatisch mehr Beispiele entstehen. Abschließend kann noch einmal betont werden, dass statistische Verfahren ein hohes Potential für das Klassifizieren von Sätzen hinsichtlich ihrer Polarität haben. 7. Die fünf wichtigsten Literaturquellen der Arbeit Liu, Bing. Sentiment Analysis and Subjectivity.Web Data Mining. Springer-Verlag Berlin Heidelberg, Alpaydin, Ethem. Maschinelles Lernen. Massachuseetts, Manning, C., P. Raghavan, und H. Schütze. An Introduction to Information Retrieval Pang, Bo, und Lillian Lee. Opinion Mining and Sentiment Analysis Carstensen, K.-U., Ch. Ebert, C. Ebert, S. Jekat, R. Klabunde, und H. Langer. Computerlinguistik und Sprachtechnologie - Eine Einführung. Heidelberg: Spektrum Akademischer Verlag, SEITE V

Diplomarbeit. Extraktion und Klassifikation von bewerteten Produktfeatures. bearbeitet von. Michéle Sprejz

Diplomarbeit. Extraktion und Klassifikation von bewerteten Produktfeatures. bearbeitet von. Michéle Sprejz Diplomarbeit Extraktion und Klassifikation von bewerteten Produktfeatures auf Webseiten bearbeitet von Michéle Sprejz Geboren am 06.07.1986 in Bad Muskau Fakultät Informatik Institut für Systemarchitektur

Mehr

Sentiment Analysis (SA) Robert Bärhold & Mario Sänger Text Analytics WS 2012/13 Prof. Leser

Sentiment Analysis (SA) Robert Bärhold & Mario Sänger Text Analytics WS 2012/13 Prof. Leser Sentiment Analysis (SA) Robert Bärhold & Mario Sänger Text Analytics WS 2012/13 Prof. Leser Gliederung Einleitung Problemstellungen Ansätze & Herangehensweisen Anwendungsbeispiele Zusammenfassung 2 Gliederung

Mehr

Opinion Mining in der Marktforschung

Opinion Mining in der Marktforschung Opinion Mining in der Marktforschung von andreas.boehnke@stud.uni-bamberg.de S. 1 Überblick I. Motivation Opinion Mining II. Grundlagen des Text Mining III. Grundlagen des Opinion Mining IV. Opinion Mining

Mehr

VO 340088 Sprachtechnologien. Informations- und Wissensmanagement. Bartholomäus Wloka. Zentrum für Translationswissenschaft

VO 340088 Sprachtechnologien. Informations- und Wissensmanagement. Bartholomäus Wloka. Zentrum für Translationswissenschaft , Informations- und Wissensmanagement Zentrum für Translationswissenschaft Grundlagen und Definitionen Maschinelle Sprachverarbeitung Breites Spektrum an Methoden der Computerverarbeitung von Sprache.

Mehr

Web Market Research.360

Web Market Research.360 .360 Kunden verstehen durch Zuhören - nicht durch Befragen! Research, Analysis & Consulting www.schwerdtundfeger.de trifft das Social Als Marktforschung kann man den Als Social wird die Gesamtheit von

Mehr

Text-Mining: Einführung

Text-Mining: Einführung Text-Mining: Einführung Claes Neuefeind Fabian Steeg 22. April 2010 Organisatorisches Was ist Text-Mining? Definitionen Anwendungsbeispiele Textuelle Daten Aufgaben u. Teilbereiche Literatur Kontakt Sprechstunde:

Mehr

TEXTKLASSIFIKATION. WS 2011/12 Computerlinguistik I Deasy Sukarya & Tania Bellini

TEXTKLASSIFIKATION. WS 2011/12 Computerlinguistik I Deasy Sukarya & Tania Bellini TEXTKLASSIFIKATION WS 2011/12 Computerlinguistik I Deasy Sukarya & Tania Bellini GLIEDERUNG 1. Allgemeines Was ist Textklassifikation? 2. Aufbau eines Textklassifikationssystems 3. Arten von Textklassifikationssystemen

Mehr

Bachelorarbeit. Tobias Eichler. Sentiment-Analysis durch überwachtes Lernen: Vergleich und Bewertung von Konzepten zur Vorverarbeitung

Bachelorarbeit. Tobias Eichler. Sentiment-Analysis durch überwachtes Lernen: Vergleich und Bewertung von Konzepten zur Vorverarbeitung Bachelorarbeit Tobias Eichler Sentiment-Analysis durch überwachtes Lernen: Vergleich und Bewertung von Konzepten zur Vorverarbeitung Fakultät Technik und Informatik Studiendepartment Informatik Faculty

Mehr

!"#$%&'()$"*+,(%'-()$"

!#$%&'()$*+,(%'-()$ "#$%&'()$"*+,(%'-()$" A$,()'*B'3)#01*C*.,D$*43(%(, "#$%&'(%&)*+,-.#/$0(.,12)#$#3)(04,5 7,(2)#1(080*94*:;', ?>@=>?? "#$%&'(%&)*+,-.#/$0(.,12)#$#3)(04,5*6*7,(2)#1(080*94*:;',*6*?>@=>??

Mehr

Vortrag im Rahmen der Vorlesung Data Warehouse Dozentin: Prof. Dr. Frey-Luxemburger WS 2011/2012. Referent: Florian Kalisch (GR09)

Vortrag im Rahmen der Vorlesung Data Warehouse Dozentin: Prof. Dr. Frey-Luxemburger WS 2011/2012. Referent: Florian Kalisch (GR09) Vortrag im Rahmen der Vorlesung Data Warehouse Dozentin: Prof. Dr. Frey-Luxemburger WS 2011/2012 Referent: Florian Kalisch (GR09) Rückblick Aktueller Status Opinion Mining Einführung Einblicke Nächste

Mehr

Richtlinien zum Schreiben von wissenschaftlichen Publikationen Kurzfassung 1

Richtlinien zum Schreiben von wissenschaftlichen Publikationen Kurzfassung 1 Richtlinien zum Schreiben von wissenschaftlichen Publikationen Kurzfassung 1 Diese Kurzfassung ist nur als Orientierungshilfe oder Erinnerung gedacht für diejenigen, die die ausführlichen Richtlinien gelesen

Mehr

Personalisierung. Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung. Data Mining.

Personalisierung. Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung. Data Mining. Personalisierung Personalisierung Thomas Mandl Der Personalisierungsprozess Nutzerdaten erheben aufbereiten auswerten Personalisierung Klassifikation Die Nutzer werden in vorab bestimmte Klassen/Nutzerprofilen

Mehr

Informationsflut bewältigen - Textmining in der Praxis

Informationsflut bewältigen - Textmining in der Praxis Informationsflut bewältigen - Textmining in der Praxis Christiane Theusinger Business Unit Data Mining & CRM Solutions SAS Deutschland Ulrich Reincke Manager Business Data Mining Solutions SAS Deutschland

Mehr

Web Data Mining. Alexander Hinneburg Sommersemester 2007

Web Data Mining. Alexander Hinneburg Sommersemester 2007 Web Data Mining Alexander Hinneburg Sommersemester 2007 Termine Vorlesung Mi. 10:00-11:30 Raum?? Übung Mi. 11:45-13:15 Raum?? Klausuren Mittwoch, 23. Mai Donnerstag, 12. Juli Buch Bing Liu: Web Data Mining

Mehr

Risikomanagement für IT-Projekte: Vergleich von Risiken und Methoden

Risikomanagement für IT-Projekte: Vergleich von Risiken und Methoden Sperrvermerk Risikomanagement für IT-Projekte: Vergleich von Risiken und Methoden Bachelorarbeit Zur Erlangung des akademischen Grades Bachelor of Science (B.Sc.) im Studiengang Wirtschaftswissenschaft

Mehr

Textmining Klassifikation von Texten Teil 1: Naive Bayes

Textmining Klassifikation von Texten Teil 1: Naive Bayes Textmining Klassifikation von Texten Teil 1: Naive Bayes Dept. Informatik 8 (Künstliche Intelligenz) Friedrich-Alexander-Universität Erlangen-Nürnberg (Informatik 8) Klassifikation von Texten 1: Naive

Mehr

Ziele und Herausforderungen

Ziele und Herausforderungen Ziele und Herausforderungen Text soll automatisch aus einer Quellsprache in eine Zielsprache übertragen werden Dabei soll die Funktion des Textes erhalten bleiben Es werden sowohl computerlinguistische

Mehr

Einführung in die Computerlinguistik Statistische Grundlagen

Einführung in die Computerlinguistik Statistische Grundlagen Statistik 1 Sommer 2015 Einführung in die Computerlinguistik Statistische Grundlagen Laura Heinrich-Heine-Universität Düsseldorf Sommersemester 2015 Statistik 2 Sommer 2015 Überblick 1. Diskrete Wahrscheinlichkeitsräume

Mehr

Ausarbeitung Twitter as a Corpus for Sentiment Analysis and Opinion Mining

Ausarbeitung Twitter as a Corpus for Sentiment Analysis and Opinion Mining Ausarbeitung Twitter as a Corpus for Sentiment Analysis and Opinion Mining Wissenschaftliches Arbeiten (2014) Aufgabe 5 Kai Kühne 798797 Beuth Hochschule für Technik Berlin Fachbereich VI Informatik und

Mehr

Informationsextraktion. Karin Haenelt 1.12.2012

Informationsextraktion. Karin Haenelt 1.12.2012 Informationsextraktion Karin Haenelt 1.12.2012 Informationsextraktion Ziel Identifikation bestimmter Information (Daten) in einem unstrukturierten oder teilstrukturierten textuellen Dokument Transformation

Mehr

Vermarktung von TV-Formaten: Informative und unterhaltende TV-Formate

Vermarktung von TV-Formaten: Informative und unterhaltende TV-Formate Vermarktung von TV-Formaten: Informative und unterhaltende TV-Formate von Julia Becker Erstauflage Diplomica Verlag 2015 Verlag C.H. Beck im Internet: www.beck.de ISBN 978 3 95850 860 6 schnell und portofrei

Mehr

1 Einleitung. 1.1 Motivation und Zielsetzung der Untersuchung

1 Einleitung. 1.1 Motivation und Zielsetzung der Untersuchung 1 Einleitung 1.1 Motivation und Zielsetzung der Untersuchung Obgleich Tourenplanungsprobleme zu den am häufigsten untersuchten Problemstellungen des Operations Research zählen, konzentriert sich der Großteil

Mehr

Textmining Klassifikation von Texten Teil 2: Im Vektorraummodell

Textmining Klassifikation von Texten Teil 2: Im Vektorraummodell Textmining Klassifikation von Texten Teil 2: Im Vektorraummodell Dept. Informatik 8 (Künstliche Intelligenz) Friedrich-Alexander-Universität Erlangen-Nürnberg (Informatik 8) Klassifikation von Texten Teil

Mehr

Forschunsprojekte und Independent Coursework. Prof. Dr. Christian Herta 29. Januar 2013

Forschunsprojekte und Independent Coursework. Prof. Dr. Christian Herta 29. Januar 2013 Forschunsprojekte und Independent Coursework Prof. Dr. Christian Herta 29. Januar 2013 Forschungsgebiete Suchtechnologie, Text- und Webmining Verarbeitung unstrukturierter Daten, insbesondere Text Large

Mehr

Vortrag im Rahmen der Vorlesung Data Warehouse Dozentin: Prof. Dr. Frey-Luxemburger WS 2011/2012. Referent: Florian Kalisch (GR09)

Vortrag im Rahmen der Vorlesung Data Warehouse Dozentin: Prof. Dr. Frey-Luxemburger WS 2011/2012. Referent: Florian Kalisch (GR09) Vortrag im Rahmen der Vorlesung Data Warehouse Dozentin: Prof. Dr. Frey-Luxemburger WS 2011/2012 Referent: Florian Kalisch (GR09) Einleitung Rückblick Opinion Mining Einführung Theoretische Grundlagen

Mehr

Aspektbasierte Stimmungsanalyse Benjamin Damm

Aspektbasierte Stimmungsanalyse Benjamin Damm Aspektbasierte Stimmungsanalyse Benjamin Damm basiert auf: Aspect-based sentiment analysis of movie reviews on discussion boards Tun Thura Thet, Jin-Cheon Na, Christopher S.G. Khoo Inhalt 1 Motivation

Mehr

Auf dem Weg zu Website-Fingerprinting in der Praxis

Auf dem Weg zu Website-Fingerprinting in der Praxis Auf dem Weg zu Website-Fingerprinting in der Praxis Identifizierung von Webseiten mit dem multinomialen Naïve-Bayes-Klassifizierer Dominik Herrmann Lehrstuhl Management der Informationssicherheit Universität

Mehr

Seminar Textmining SS 2015 Grundlagen des Maschinellen Lernens

Seminar Textmining SS 2015 Grundlagen des Maschinellen Lernens Seminar Textmining SS 2015 Grundlagen des Maschinellen Lernens Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 17.04.2015 Entscheidungsprobleme beim Textmining

Mehr

Semestralklausur zur Vorlesung. Web Mining. Prof. J. Fürnkranz Technische Universität Darmstadt Sommersemester 2004 Termin: 22. 7.

Semestralklausur zur Vorlesung. Web Mining. Prof. J. Fürnkranz Technische Universität Darmstadt Sommersemester 2004 Termin: 22. 7. Semestralklausur zur Vorlesung Web Mining Prof. J. Fürnkranz Technische Universität Darmstadt Sommersemester 2004 Termin: 22. 7. 2004 Name: Vorname: Matrikelnummer: Fachrichtung: Punkte: (1).... (2)....

Mehr

Institut für angewandte Informationstechnologie (InIT)

Institut für angewandte Informationstechnologie (InIT) School of Engineering Institut für angewandte Informationstechnologie (InIT) We ride the information wave Zürcher Fachhochschule www.init.zhaw.ch Forschung & Entwicklung Institut für angewandte Informationstechnologie

Mehr

Bachelor Thesis an der Fachhochschule Kiel, Fachbereich Wirtschaft. Sommersemester 2011. : Prof. Dr. Doris Weßels

Bachelor Thesis an der Fachhochschule Kiel, Fachbereich Wirtschaft. Sommersemester 2011. : Prof. Dr. Doris Weßels Handlungsempfehlungen zur Nutzung von Social Media zur Gestaltung von Wissensmarktplätzen am Beispiel des europäischen Förderprojektes Win-Vin: Wissen nutzen im Norden Bachelor Thesis an der Fachhochschule

Mehr

Thematische Abfrage mit Computerlinguistik

Thematische Abfrage mit Computerlinguistik Thematische Abfrage mit Computerlinguistik Autor: Dr. Klaus Loth (ETH-Bibliothek Zürich) Zusammenfassung Der Beitrag befasst sich mit dem Einsatz der Computerlinguistik bei der thematischen Abfrage einer

Mehr

DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 374

DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN. Nr. 374 DISKUSSIONSBEITRÄGE DER FAKULTÄT FÜR BETRIEBSWIRTSCHAFTSLEHRE MERCATOR SCHOOL OF MANAGEMENT UNIVERSITÄT DUISBURG-ESSEN Nr. 374 Eignung von Verfahren der Mustererkennung im Process Mining Sabrina Kohne

Mehr

Qualitätsmanagement-Handbuch

Qualitätsmanagement-Handbuch Prozessdatenblatt Prozessziel: Das Beschwerdemanagement im dient uns der eigenen kontinuierlichen Verbesserung. Gemeinsam mit dem Kunden sollen einvernehmliche Problemlösungen gefunden und umgesetzt werden,

Mehr

Klassifikationsaufgaben mit der SENTRAX. Konkreter Fall: Automatische Detektion von SPAM. Dirk T. Frobese

Klassifikationsaufgaben mit der SENTRAX. Konkreter Fall: Automatische Detektion von SPAM. Dirk T. Frobese Proceedings des Fünften Hildesheimer Evaluierungs- und Retrievalworkshop (HIER 2006) Klassifikationsaufgaben mit der SENTRAX. Konkreter Fall: Automatische Detektion von SPAM Dirk T. Frobese Universität

Mehr

SAS CONTEXTUAL ANALYSIS IN ACTION ERFAHRUNGEN AUS EINEM EIN SELBSTVERSUCH

SAS CONTEXTUAL ANALYSIS IN ACTION ERFAHRUNGEN AUS EINEM EIN SELBSTVERSUCH SAS CONTEXTUAL ANALYSIS IN ACTION ERFAHRUNGEN AUS EINEM EIN SELBSTVERSUCH GERHARD SVOLBA COMPETENCE CENTER ANALYTICS WIEN, 17. NOVEMBER 2015 SAS CONTEXTUAL ANALYSIS 14.1 EIN BLICK IN DIE PRODUKTBESCHREIBUNG

Mehr

Kundenzufriedenheit Beschwerdemanagement als Instrument zur Kundenbindung

Kundenzufriedenheit Beschwerdemanagement als Instrument zur Kundenbindung Thomas Artur Roner Kundenzufriedenheit Beschwerdemanagement als Instrument zur Kundenbindung Diplom.de Inhaltsverzeichnis Abkürzungsverzeichnis Abbildungsverzeichnis I II 1. Einleitung 1 2. Begriffsklärungen

Mehr

Social Business Intelligence Text Mining und Hadoop bei DB Fernverkehr AG

Social Business Intelligence Text Mining und Hadoop bei DB Fernverkehr AG Social Business Intelligence Text Mining und Hadoop bei DB Fernverkehr AG DB Fernverkehr AG Dr.-Ing. Axel Schulz, Dr. Matthias Platho P.FMB 2, DB Fernverkehr AG Frankfurt, 22.05.2015 Motivation An meinem

Mehr

Sentiment Analysis und Ontologien

Sentiment Analysis und Ontologien Sentiment Analysis und Ontologien Universität zu Köln Sprachliche Informationsverarbeitung Künstliche Intelligenz Dozent: C. Neuefeind 13.06.2012 Linus Franzke und Carina Berning Inhalt Was ist Sentiment

Mehr

Fachgruppe Statistik, Risikoanalyse & Computing. STAT672 Data Mining. Sommersemester 2007. Prof. Dr. R. D. Reiß

Fachgruppe Statistik, Risikoanalyse & Computing. STAT672 Data Mining. Sommersemester 2007. Prof. Dr. R. D. Reiß Fachgruppe Statistik, Risikoanalyse & Computing STAT672 Data Mining Sommersemester 2007 Prof. Dr. R. D. Reiß Überblick Data Mining Begrifflichkeit Unter Data Mining versteht man die Computergestützte Suche

Mehr

Zum State of the Art automatischer Inhaltsanalyse

Zum State of the Art automatischer Inhaltsanalyse Zum State of the Art automatischer Inhaltsanalyse Michael Scharkow, M.A. Universität Hohenheim Institut für Kommunikationswissenschaft (540G) michael.scharkow@uni-hohenheim.de Typologie der Verfahren deskriptive/explorative

Mehr

Erste Erfahrungen aus der fachdidaktischen Fortbildung Mathematik im Rahmen der Medienoffensive m.a.u.s. in Brandenburg

Erste Erfahrungen aus der fachdidaktischen Fortbildung Mathematik im Rahmen der Medienoffensive m.a.u.s. in Brandenburg Erste Erfahrungen aus der fachdidaktischen Fortbildung Mathematik im Rahmen der Medienoffensive m.a.u.s. in Brandenburg Götz Bieber Zusammenfassung Die Medienoffensive m.a.u.s. umfasst neben der Ausstattung

Mehr

Theorie qualitativen Denkens

Theorie qualitativen Denkens Theorie qualitativen Denkens Vorbetrachtungen - vor den 70er Jahren standen vor allem quantitative Forschungen im Mittelpunkt - qualitative Wende in den 70er Jahren in der BRD - seit dem setzt sich qualitatives

Mehr

Sie haben sich bei Ihrer Versicherung für die Condor Lebensversicherung entschieden.

Sie haben sich bei Ihrer Versicherung für die Condor Lebensversicherung entschieden. 3. Analyse Ihrer Versicherungsgesellschaft 3.1 Allgemeine Informationen Sie haben sich bei Ihrer Versicherung für die Condor Lebensversicherung entschieden. Die CONDOR Lebensversicherung AG existiert seit

Mehr

Automatische Gesprächsauswertung im Callcenter

Automatische Gesprächsauswertung im Callcenter Einleitung Forschungsbeitrag Automatische Gesprächsauswertung im Callcenter Projekt CoachOST Dipl.-Wirtsch.-Inf. Mathias Walther Prof. Dr. Taïeb Mellouli Lehrstuhl für Wirtschaftsinformatik und Operations

Mehr

Seite 1 ITyX Gruppe 2013

Seite 1 ITyX Gruppe 2013 Seite 1 Track 1: Input Management Posteingang mit bunten Dokumenten (Papier, E-Mail, Web & Social Media) Dr. Melanie Knapp, Maren Prox Seite 2 Gliederung des Workshops Textanalyse in Theorie und Praxis

Mehr

Einführung. Information Retrieval. IR-Aufgaben. IR in Beispielen. Adhoc-Suche: Web. IR in Beispielen. Was ist IR? Norbert Fuhr

Einführung. Information Retrieval. IR-Aufgaben. IR in Beispielen. Adhoc-Suche: Web. IR in Beispielen. Was ist IR? Norbert Fuhr Einführung Information Retrieval Norbert Fuhr 13. Oktober 2011 IR in Beispielen Was ist IR? Daten Information Wissen Dimensionen des IR Rahmenarchitektur für IR-Systeme Adhoc-Suche: Web IR in Beispielen

Mehr

Inhaltsverzeichnis Änderung der Rechtsprechung des BGH zur Berechnung des nachehelichen Unterhaltes

Inhaltsverzeichnis Änderung der Rechtsprechung des BGH zur Berechnung des nachehelichen Unterhaltes Inhaltsverzeichnis Änderung der Rechtsprechung des BGH zur Berechnung des nachehelichen Unterhaltes A) Alte Rechtsprechung des BGH B) Situation nach der Änderung der Rechtsprechung des BGH C) Grundgedanke

Mehr

!!!!!!! Akzeptanzförderung der Elektromobilität durch Hybrid- Fahrzeuge im Car-Sharing. Bachelorarbeit

!!!!!!! Akzeptanzförderung der Elektromobilität durch Hybrid- Fahrzeuge im Car-Sharing. Bachelorarbeit Akzeptanzförderung der Elektromobilität durch Hybrid- Fahrzeuge im Car-Sharing Bachelorarbeit zur Erlangung des akademischen Grades Bachelor of Science (B.Sc.) im Studiengang Wirtschaftswissenschaft der

Mehr

Herzlich Willkommen! EC-Ruhr-Kongress 2012. Donnerstag, 20. September 12

Herzlich Willkommen! EC-Ruhr-Kongress 2012. Donnerstag, 20. September 12 Herzlich Willkommen! Dem User auf der Spur - die Webanalyse: Basis zur Standortbestimmung zwischen Homepage und Social Web. Webanalyse - Was soll das? Webanalyse ist kein Selbstzweck. Webanalyse versucht

Mehr

Suchmaschinen. Anwendung RN Semester 7. Christian Koczur

Suchmaschinen. Anwendung RN Semester 7. Christian Koczur Suchmaschinen Anwendung RN Semester 7 Christian Koczur Inhaltsverzeichnis 1. Historischer Hintergrund 2. Information Retrieval 3. Architektur einer Suchmaschine 4. Ranking von Webseiten 5. Quellenangabe

Mehr

Konzeption eines Enterprise 2.0 Projektmanagement - Tool mit Beteiligung diverser Stake Holder. Bachelorarbeit

Konzeption eines Enterprise 2.0 Projektmanagement - Tool mit Beteiligung diverser Stake Holder. Bachelorarbeit Konzeption eines Enterprise 2.0 Projektmanagement - Tool mit Beteiligung diverser Stake Holder Bachelorarbeit zur Erlangung des akademischen Grades Bachelor of Science (B.Sc.) im Studiengang Wirtschaftswissenschaft

Mehr

Text Mining und CRM. Hans Hermann Weber Univ. Erlangen IMMD 8, den 12.09.03

Text Mining und CRM. Hans Hermann Weber Univ. Erlangen IMMD 8, den 12.09.03 Text Mining und CRM Hans Hermann Weber Univ. Erlangen IMMD 8, den 12.09.03 Was ist Textmining Unstrukturierte Daten (Text) anreichern mit Strukturinformation: Metadaten hinzufügen Struktur (Segmentinformation)

Mehr

Semantic Web. Anwendungsbereiche & Entwicklungen. http://www.know-center.at. Dr. Michael Granitzer

Semantic Web. Anwendungsbereiche & Entwicklungen. http://www.know-center.at. Dr. Michael Granitzer Semantic Web Anwendungsbereiche & Entwicklungen Dr. Michael Granitzer - gefördert durch das Kompetenzzentrenprogramm Agenda Die Vision und warum das Semantic Web Sinn macht Grundlagen: Wissensrepräsentation

Mehr

Regelbasiertes Routing unstrukturierter Daten

Regelbasiertes Routing unstrukturierter Daten Regelbasiertes Routing unstrukturierter Daten Mittwoch, 16. September 2015, Developer Academy Thomas Nitzsche, Sales Engineer Regelbasiertes Routing unstrukturierter Daten Überblick Ziel: Regelbasiertes

Mehr

Language Solutions. APEX Kosten, Qualität und Lieferpünktlichkeit. Kundenbefragung 2013. www.apex-uebersetzungen.de. ISO 9001:2008 zertifiziert

Language Solutions. APEX Kosten, Qualität und Lieferpünktlichkeit. Kundenbefragung 2013. www.apex-uebersetzungen.de. ISO 9001:2008 zertifiziert Language Solutions APEX Kosten, Qualität und Lieferpünktlichkeit Kundenbefragung 2013 www.apex-uebersetzungen.de ISO 9001:2008 zertifiziert Eine der am öftesten gestellten Fragen ist: Wir haben Angebote

Mehr

6. Bayes-Klassifikation. (Schukat-Talamazzini 2002)

6. Bayes-Klassifikation. (Schukat-Talamazzini 2002) 6. Bayes-Klassifikation (Schukat-Talamazzini 2002) (Böhm 2003) (Klawonn 2004) Der Satz von Bayes: Beweis: Klassifikation mittels des Satzes von Bayes (Klawonn 2004) Allgemeine Definition: Davon zu unterscheiden

Mehr

Volltextsuche und Text Mining

Volltextsuche und Text Mining 1 Volltextsuche und Text Mining Datum: 22.12.2009 Seminar: Einführung in die Computerlinguistik Referenten: Cornelia Baldauf, Valentin Heinz, Adriana Kosior 2 Agenda 1. Einführung a) Volltextsuche b) Text

Mehr

Oracle White Paper März 2009. Realitätsnahere Prognosen: Getrennte Beurteilung von Chancen und Risiken sowie Unsicherheit

Oracle White Paper März 2009. Realitätsnahere Prognosen: Getrennte Beurteilung von Chancen und Risiken sowie Unsicherheit Oracle White Paper März 2009 Realitätsnahere Prognosen: Getrennte Beurteilung von Chancen und Risiken sowie Unsicherheit Executive Summary In diesem White Paper werden anhand eines Beispiels die Vorteile

Mehr

Computerlinguistische Textanalyse

Computerlinguistische Textanalyse Computerlinguistische Textanalyse 10. Sitzung 06.01.2014 Einführung in die Textklassifikation Franz Matthies Lehrstuhl für Computerlinguistik Institut für Germanistische Sprachwissenschaft Friedrich-Schiller

Mehr

Anfrage Erweiterung 03.11.2011 Jan Schrader

Anfrage Erweiterung 03.11.2011 Jan Schrader Anfrage Erweiterung 03.11.2011 Jan Schrader Vocabulary Mismatch Problem Anfrage und Dokument passen nicht zusammen obwohl Dokument zur Anfrage relevant Grund: Synonymproblem verschiedene Menschen benennen

Mehr

Phrasensammlung für wissenschaftliches Arbeiten

Phrasensammlung für wissenschaftliches Arbeiten Phrasensammlung für wissenschaftliches Arbeiten Einleitung In diesem Aufsatz/dieser Abhandlung/dieser Arbeit werde ich... untersuchen/ermitteln/bewerten/analysieren... Um diese Frage zu beantworten, beginnen

Mehr

Data-Mining: Ausgewählte Verfahren und Werkzeuge

Data-Mining: Ausgewählte Verfahren und Werkzeuge Fakultät Informatik Institut für Angewandte Informatik Lehrstuhl Technische Informationssysteme Data-Mining: Ausgewählte Verfahren und Vortragender: Jia Mu Betreuer: Dipl.-Inf. Denis Stein Dresden, den

Mehr

Text Mining. Joachim Schole. Fakultät Technik und Informatik Hochschule für angewandte Wissenschaften Hamburg. Grundseminar, WS 2014

Text Mining. Joachim Schole. Fakultät Technik und Informatik Hochschule für angewandte Wissenschaften Hamburg. Grundseminar, WS 2014 Text Mining Joachim Schole Fakultät Technik und Informatik Hochschule für angewandte Wissenschaften Hamburg Grundseminar, WS 2014 Joachim Schole (HAW Hamburg) Text Mining Grundseminar, WS 2014 1 / 26 Agenda

Mehr

Politikverständnis und Wahlalter. Ergebnisse einer Studie mit Schülern und Studienanfängern

Politikverständnis und Wahlalter. Ergebnisse einer Studie mit Schülern und Studienanfängern Politikverständnis und Wahlalter Ergebnisse einer Studie mit Schülern und Studienanfängern Frage: Lässt sich eine Herabsetzung des Wahlalters in Deutschland durch Ergebnisse zum Politikverständnis bei

Mehr

Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining

Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining Gliederung 1. Einführung 2. Grundlagen Data Mining Begriffsbestimmung CRISP-DM-Modell Betriebswirtschaftliche Einsatzgebiete des Data Mining Web Mining und Text Mining 3. Ausgewählte Methoden des Data

Mehr

ISMS Teil 3 Der Startschuss

ISMS Teil 3 Der Startschuss ISMS Teil 3 Der Startschuss Nachdem das TOP-Managenment die grundsätzliche Entscheidung getroffen hat ein ISMS einzuführen, kann es nun endlich losgehen. Zu Beginn sollte Sie noch die Grundlagen des ISMS

Mehr

Angststörungen und Depression in Kindheit und Adoleszenz

Angststörungen und Depression in Kindheit und Adoleszenz Geisteswissenschaft Stefan Dannheiser Angststörungen und Depression in Kindheit und Adoleszenz Interventions- und Präventionsmöglichkeiten im Rahmen des MindMatters-Programms Studienarbeit Fachbereich

Mehr

Programmmoduls für die CEMES-Plattform zur onlinebasierten Ermittlung der Leistungspunkte

Programmmoduls für die CEMES-Plattform zur onlinebasierten Ermittlung der Leistungspunkte Verfasser Dr. Lothar Muschter Dieses Projekt wurde mit Unterstützung der Europäischen Kommission finanziert. Die Verantwortung für den Inhalt dieser Veröffentlichung (Mitteilung) trägt allein der Verfasser;

Mehr

2.4.2.2 Strategisches und operatives Kundenbeziehungs- Controlling 38

2.4.2.2 Strategisches und operatives Kundenbeziehungs- Controlling 38 Inhaltsverzeichnis 1 Einleitung 1 1.1 Problemstellung 1 1.2 Gang der Untersuchung 5 2 Kundenorientiertes Management und Controlling - Der Kunde im Fokus betriebswirtschaftlicher Konzepte 9 2.1 Bedeutung

Mehr

Der Mittlere Schulabschluss (MSA) B. Hölzner

Der Mittlere Schulabschluss (MSA) B. Hölzner Der Mittlere Schulabschluss (MSA) B. Hölzner Voraussetzung für den Übergang in die Gymnasiale Oberstufe: MSA und Versetzung in die 11. Klasse Schriftliche Prüfungen: - Deutsch (180 Min.) am 04.05.2016

Mehr

Welche Textklassifikationen gibt es und was sind ihre spezifischen Merkmale?

Welche Textklassifikationen gibt es und was sind ihre spezifischen Merkmale? Text Welche Textklassifikationen gibt es und was sind ihre spezifischen Merkmale? Textklassifikationen Natürliche bzw. unstrukturierte Texte Normale Texte ohne besondere Merkmale und Struktur Semistrukturierte

Mehr

Sentiment Classification

Sentiment Classification Universität Duisburg-Essen, SS 2008 Seminar Soziales Retrieval im Web 2.0 Dozent: Prof. Dr.-Ing. Norbert Fuhr Betreuer: Ingo Frommholz Sentiment Classification Daniel Jansen 04. Oktober 2008 Institut für

Mehr

Text Mining Praktikum. Durchführung: Andreas Niekler Email: aniekler@informatik.uni-leipzig.de Zimmer: Paulinum (P) 818

Text Mining Praktikum. Durchführung: Andreas Niekler Email: aniekler@informatik.uni-leipzig.de Zimmer: Paulinum (P) 818 Text Mining Praktikum Durchführung: Andreas Niekler Email: aniekler@informatik.uni-leipzig.de Zimmer: Paulinum (P) 818 Rahmenbedingungen Gruppen von 2- (max)4 Personen Jede Gruppe erhält eine Aufgabe Die

Mehr

Datenbanken-Themen im OS "Data Mining" SS 2010

Datenbanken-Themen im OS Data Mining SS 2010 Prof. Dr.-Ing. Thomas Kudraß HTWK Leipzig, FIMN Datenbanken-Themen im OS "Data Mining" SS 2010 Die Vorträge sollten eine Dauer von 60 Minuten (Einzelvortrag) bzw. 45 Minuten (Doppelvortrag) haben. Nachfolgend

Mehr

INFORMATIONSLOGISTIK VERSUS SUCHE. Wie die aktive Bereitstellung von Informationen hilft, Zeit zu sparen und Ziele zu erreichen

INFORMATIONSLOGISTIK VERSUS SUCHE. Wie die aktive Bereitstellung von Informationen hilft, Zeit zu sparen und Ziele zu erreichen INFORMATIONSLOGISTIK VERSUS SUCHE Wie die aktive Bereitstellung von Informationen hilft, Zeit zu sparen und Ziele zu erreichen 2 Informationslogistik versus Suche Inhalt Seite Thema 3 Suchen 3 Grundlegende

Mehr

SWOT Analyse zur Unterstützung des Projektmonitorings

SWOT Analyse zur Unterstützung des Projektmonitorings SWOT Analyse zur Unterstützung des Projektmonitorings Alle QaS-Dokumente können auf der QaS-Webseite heruntergeladen werden, http://qas.programkontoret.se Seite 1 Was ist SWOT? SWOT steht für Stärken (Strengths),

Mehr

Mitarbeiter und ihre Leistungen richtig beurteilen

Mitarbeiter und ihre Leistungen richtig beurteilen Mitarbeiter und ihre Leistungen richtig beurteilen Immer, wenn Menschen aufeinandertreffen, findet eine Beurteilung statt. Dabei gründet sich unsere Meinung über Andere oft auf den ersten Eindruck. In

Mehr

Hinweise zur Durchführung des BA- und MA-Kolloquien am Lehrstuhl für Politische Systeme und Systemvergleich

Hinweise zur Durchführung des BA- und MA-Kolloquien am Lehrstuhl für Politische Systeme und Systemvergleich Hinweise zur Durchführung des BA- und MA-Kolloquien am (Stand: 11. August 2011) INHALT: I. Verfahrensweise II. III. Tipps für eine erfolgreiche Verteidigung Vorgaben I. VERFAHRENSWEISE Aus den Vorgaben

Mehr

Das Internet weiss alles Die Anti-Minarett-Initiative im Spiegel der Internet-Foren Diskussion. Dezember 2009

Das Internet weiss alles Die Anti-Minarett-Initiative im Spiegel der Internet-Foren Diskussion. Dezember 2009 Das Internet weiss alles Die Anti-Minarett-Initiative im Spiegel der Internet-Foren Diskussion Dezember 2009 Diese Studie ist das Gemeinschaftswerk von 2 Semantic Web Unternehmen Blue Ocean SWS GmbH Zürich-Rorbas

Mehr

Advanced Analytics. Michael Ridder. Copyright 2000-2014 TIBCO Software Inc.

Advanced Analytics. Michael Ridder. Copyright 2000-2014 TIBCO Software Inc. Advanced Analytics Michael Ridder Was ist Advanced Analytics? 2 Was heißt Advanced Analytics? Advanced Analytics ist die autonome oder halbautonome Prüfung von Daten oder Inhalten mit ausgefeilten Techniken

Mehr

13* Markteinsteiger - eine interessante Zielgruppe? Erfolg von speziellen Marketing-Massnahmen zur Gewinnung und Bindung von Markteinsteigern

13* Markteinsteiger - eine interessante Zielgruppe? Erfolg von speziellen Marketing-Massnahmen zur Gewinnung und Bindung von Markteinsteigern 13* Inauguraldissertation zur Erlangung der Würde eines Doctor rerum oeconomicarum der Wirtschafts- und Sozialwissenschaftlichen Fakultät der Universität Bern Markteinsteiger - eine interessante Zielgruppe?

Mehr

!!!!T!!! Systems!() Multimedia Solutions

!!!!T!!! Systems!() Multimedia Solutions Inhalt. Was ist das semantische Web? Wie findet man einen Arzttermin mit Hilfe des semantischen Web? Wie gibt man Inhalten einen Sinn? Welche Werkzeuge stehen zur Verfügung? Wo können strukturierte Inhalte

Mehr

Angestrebte Kompetenzen/Ziele

Angestrebte Kompetenzen/Ziele Unterrichtsverlauf zu: Unternehmensanalyse, 7-8 Std., Jahrgangstufe 2, Wirtschaft, WG 1. Std. Angestrebte Kompetenzen 5 Min. Stundenthema: Umweltanalyse Begrüßung und Einstieg in das Thema: Unternehmensanalyse

Mehr

IT-Sicherheitsüberprüfung Der Schutz vor Wirtschaftsspionage

IT-Sicherheitsüberprüfung Der Schutz vor Wirtschaftsspionage IT-Sicherheitsüberprüfung Der Schutz vor Wirtschaftsspionage Karner & Schröppel Partnerschaft Sachverständige für Informationssicherheit und Datenschutz Unser Konzept Informationssicherheit und Datenschutz

Mehr

Web Information Retrieval. Zwischendiskussion. Überblick. Meta-Suchmaschinen und Fusion (auch Rank Aggregation) Fusion

Web Information Retrieval. Zwischendiskussion. Überblick. Meta-Suchmaschinen und Fusion (auch Rank Aggregation) Fusion Web Information Retrieval Hauptseminar Sommersemester 2003 Thomas Mandl Überblick Mehrsprachigkeit Multimedialität Heterogenität Qualität, semantisch, technisch Struktur Links HTML Struktur Technologische

Mehr

PPC und Data Mining. Seminar aus Informatik LV-911.039. Michael Brugger. Fachbereich der Angewandten Informatik Universität Salzburg. 28.

PPC und Data Mining. Seminar aus Informatik LV-911.039. Michael Brugger. Fachbereich der Angewandten Informatik Universität Salzburg. 28. PPC und Data Mining Seminar aus Informatik LV-911.039 Michael Brugger Fachbereich der Angewandten Informatik Universität Salzburg 28. Mai 2010 M. Brugger () PPC und Data Mining 28. Mai 2010 1 / 14 Inhalt

Mehr

riskkv Scorenalyse riskkv Scoring Seite 1 von 9

riskkv Scorenalyse riskkv Scoring Seite 1 von 9 riskkv Scorenalyse riskkv Scoring Seite 1 von 9 Das Modul dient der flexiblen Erstellung, Auswertung und Verwendung von Scores. Durch vordefinierte Templates können in einer Einklicklösung bspw. versichertenbezogene

Mehr

Anwendung der Sentiment-Analyse im Bankwesen 02.12.2015

Anwendung der Sentiment-Analyse im Bankwesen 02.12.2015 Anwendung der Sentiment-Analyse im Bankwesen siehe nächste Folie 1 Was ist SentiTrade? Das Hauptprodukt der YUKKA Lab erkennt automatisch, ob die Nachrichtenstimmung an den Finanzmärkten positiv, negativ

Mehr

Forschungsprojekt. Frauen als Zielgruppe der Existenzgründungsförderung unter besonderer Berücksichtigung der Finanzierungsaspekte.

Forschungsprojekt. Frauen als Zielgruppe der Existenzgründungsförderung unter besonderer Berücksichtigung der Finanzierungsaspekte. Forschungsprojekt Frauen als Zielgruppe der Existenzgründungsförderung unter Kurzfassung I. Ausgangslage und Ziele der Untersuchung Existenzgründungen wird eine entscheidende Rolle bei der Schaffung neuer

Mehr

Personalmanagement in transnationalen Dienstleistungsunternehmen - untersucht am Beispiel der Hotellerie in der Karibik

Personalmanagement in transnationalen Dienstleistungsunternehmen - untersucht am Beispiel der Hotellerie in der Karibik Personalmanagement in transnationalen Dienstleistungsunternehmen - untersucht am Beispiel der Hotellerie in der Karibik Der Fakultät I Bildungs-, Kultur- und Sozialwissenschaften der LEUPHANA Universität

Mehr

INFORMATIONSGEWINNUNG AUS KURZEN TEXTEN

INFORMATIONSGEWINNUNG AUS KURZEN TEXTEN INFORMATIONSGEWINNUNG AUS KURZEN TEXTEN T-SYSTEMS MULTIMEDIA SOLUTIONS GMBH, 14. OKTOBER 2011 1. Schlüsselworte Semantik, Informationsextraktion, Automatisierte Syntaxanalyse, Validierung, Chunking, Tagging,

Mehr

Kapitel ML: I. I. Einführung. Beispiele für Lernaufgaben Spezifikation von Lernproblemen

Kapitel ML: I. I. Einführung. Beispiele für Lernaufgaben Spezifikation von Lernproblemen Kapitel ML: I I. Einführung Beispiele für Lernaufgaben Spezifikation von Lernproblemen ML: I-8 Introduction c STEIN/LETTMANN 2005-2010 Beispiele für Lernaufgaben Autoeinkaufsberater Welche Kriterien liegen

Mehr

Einführung in die Computerlinguistik Überblick

Einführung in die Computerlinguistik Überblick Einführung in die Computerlinguistik Überblick Hinrich Schütze & Robert Zangenfeind Centrum für Informations- und Sprachverarbeitung, LMU München 2015-10-12 1 / 19 Was ist Computerlinguistik? Definition

Mehr

9 Resümee. Resümee 216

9 Resümee. Resümee 216 Resümee 216 9 Resümee In der vorliegenden Arbeit werden verschiedene Methoden der Datenreduktion auf ihre Leistungsfähigkeit im sozialwissenschaftlichstatistischen Umfeld anhand eines konkreten Anwendungsfalls

Mehr

IT-Sourcing-Management-Studie 2014/2015

IT-Sourcing-Management-Studie 2014/2015 IT-Sourcing-Management-Studie 2014/2015 Vom Kosten- zum Erfolgsfaktor. Crossing Borders. Ergebnisse einer qualitativen Studie von Oliver Christ, Matthias Litzke, Ulrich Emanuel Gysel, Claudia Pedron, Oliver

Mehr

SAS TEXT ANALYTICS EVENT

SAS TEXT ANALYTICS EVENT SAS TEXT ANALYTICS EVENT DIENSTAG, 21. APRIL 2015 AGENDA Zeit Inhalt 16:00-16:30 Registrierung & Willkommenskaffee 16:30-16:45 16:45-17:15 17:15-17:45 Begrüssung und Einleitung ins Thema Text Analytics

Mehr

Thema. Intelligente Agenten im Web

Thema. Intelligente Agenten im Web Thema Intelligente Agenten im Web Einführendes Beispiel Suchmaschine Probleme: - Immer mehr falsche Informationen - Anwender werden überfordert - Zeitaufwand erhöht sich - Zunehmendes Sicherheitsrisiko

Mehr

Ergebnisse der Umfrage zum V-Modell XT bei VMEA 2009

Ergebnisse der Umfrage zum V-Modell XT bei VMEA 2009 Ergebnisse der Umfrage zum V-Modell XT bei VMEA 2009 Dr. Karl Kollischan, Arbeitsgruppe Projektmanagement WEIT e.v. April 2010 Bei der VMEA am 17. November 2009 in München hat der ANSSTAND e.v. zusammen

Mehr

Kundenbindung optimieren mit Predictive Analytics und Text Mining

Kundenbindung optimieren mit Predictive Analytics und Text Mining Kundenbindung optimieren mit Predictive Analytics und Text Mining Ein Praxis-Beispiel mit der Analyse-Plattform STATISTICA CeBIT Hannover, 10. März 2014 www.statsoft.de StatSoft (Europe) GmbH 2014 Dr.

Mehr