Social Media Analytics: Automatische Analyse von Hotelbewertungen
|
|
- Dirk Friedrich Jaeger
- vor 7 Jahren
- Abrufe
Transkript
1 Social Media Analytics: Automatische Analyse von Hotelbewertungen - Anwendungsbericht bei HRS Hotel Reservation Service - Dr. Kornél Markó, Averbis GmbH Dr. Katrin Tomanek, Averbis GmbH Oliver Juwig, HRS Hotel Reservation Service
2 Ausblick HRS ist bekannter Marktführer für Hotelreservierungen in Deutschland Nach Abschluss einer Hotelübernachtung können die Nutzer Bewertungen (strukturiert oder in Textform) im Portal abgeben Bei der Auswahl von Hotels werden zunehmend diese Meinungen anderer Reisender zu Rate gezogen Ziel ist es, diese Nutzerbewertungen strukturiert für eine einfache Übersicht aufzubereiten Es kommt eine spezielle Software zum Einsatz, um diese Hotelbewertungen in großen Mengen automatisch auszuwerten und einzelne Aussagen hinsichtlich ihrer Polarität (positiv/negativ) zu bewerten.
3 HRS Das Hotelportal Europas führendes Hotelportal für Geschäfts- und Privatreisen 40 Jahre Erfahrung (1972 gegründet) und seit 1995 im Internet Ca. 600 Mitarbeiter weltweit Mehr als Hotels aller Kategorien in 180 Ländern Rund drei Millionen Hotelbewertungen von HRS Gästen Durchschnittlich zehn Millionen Besuche pro Monat Mehr als Unternehmen als Firmenkunden Über Vertriebspartner/Affiliates empfehlen HRS Zahlreiche Innovationspreise und klarer Testsieger in Vergleichstests 3
4 Über Averbis Gründung: 2007, inhabergeführte und eigenfinanzierte GmbH Standort: Freiburg im Breisgau Mitarbeiter: Team aus Domänen- und IT-Experten, Computerlinguisten Fokus: Textanalyse: Erschließung unstrukturierter Informationen - Firmeninterne Daten - Patentanalyse - Wissenschaftliche Publikationen - User Generated Content Branchen derzeit: Gesundheit, Pharma, Automotive, Verlage & Bibliotheken
5 Textanalyse Methoden zur Verarbeitung von elektronisch gespeicherten Freitexten Linguistische Analyse statt Betrachtung von Zeichenketten Morphologische Analyse (Wortebene) Syntaxanalyse (Satzebene) kombiniert mit Methoden maschinellen Lernens Information Retrieval Suchmaschinen Information Extraction Extrahieren von Fakten aus Freitexten, Strukturierung Text Mining Generierung von neuem Wissen durch Analyse großer Dokumentenbestände Verschlagwortung Vergabe von Schüsselwörtern Abgleich mit kontrollierten Vokabularien Textklassifikation Zuweisung von Kategorien
6 Ausgangslage Nutzer des HRS Portals sollen relevante Bewertungen effizient identifizieren können Bewertungstexte sollen bestimmten Themen zugeordnet werden Z.B. Übersicht zur Sauberkeit, gemittelt aus allen Bewertungstexten Ermöglichung des Vergleichs von mehreren Hotels untereinander: Welches Hotel wurde von den meisten Besuchern positiv/negativ bewertet? Welche sind die Kategorien, durch die sich ein Hotel besonders von den anderen abhebt? Nimmt die bewertete Qualität/Kategorie für ein bestimmtes Hotel mit der Zeit zu oder ab?
7 Ausgangslage
8 Ausgangslage
9 Ausgangslage
10 Einordnung Zweistufige Klassifikation der Bewertungen nach Kategorie(n) ( Multilabel -Klassifikation) nach Sentiment / Stimmung (positiv/negativ) Wörter der Klassenbeschreibung entsprechen nicht denen der Bewertung Staub wischen Sauberkeit des Zimmers Modellierung von Assoziationen Maschinelles Lernen
11 Umsetzung Einsatz einer Software zur Textanalyse: Linguistik/Semantik und Umgang mit ungrammatischen Eingaben Frei definierbares, mehrstufiges Kategoriensystem, z.b. Hotelatmosphäre Freundlichkeit Sauberkeit Ermittlung der jeweiligen Polarität positiv negativ Methoden des Maschinellen Lernens
12 Maschinelles Lernen Ein statistisches Modell wird trainiert aus intellektuell vorkategorisierten Daten Trainingsdaten Ca. 100 bis 300 pro Kategorie Gelerntes Modell wird auf bisher unbekannte Daten angewandt Ermittlung einer Konfidenz
13 Maschinelles Lernen Korpus Maschinelles Lernen Kategorien Wort 1 Wort 2 Wort 3 Wort 4 Wort 5 Wort n w1 w2 Kategorie 1 Kategorie 2 Kategorie 3 Kategorie 4 Kategorie 5 Kategorie m > ~ Herausforderung: Großer Merkmalsraum, widersprüchliche Daten, Ausreißer Ziel: Sinnvolle Verkleinerung und Aggregation des Merkmalraums mittels Linguistik und Semantik
14 Maschinelles Lernen Korpus Maschinelles Lernen Kategorien Zimmer offenbar kürzlich renoviert helle Möblierung Kunsstoffoberflächen w1 w2 Kategorie 1 Kategorie 2 Kategorie 3 Kategorie 4 Kategorie 5 Kategorie m Unser Zimmer war offenbar erst kürzlich renoviert worden, helle Möblierung mit Kunststoffoberflächen, wandmontierter moderner Flachbild-TV. Die Matratzen wirken ebenfalls neu, flach und fest. 2 Ablagen für Koffer,
15 Linguistik: Grammatik
16 Linguistik: Wortformen
17 Semantik: Terminologie
18 Semantik: Terminologie
19 Maschinelles Lernen Korpus Maschinelles Lernen Kategorien Zimmer offenbar kürzlich renoviert helle Möblierung Kunsstoffoberflächen zimmer renovier hell moebel kunststoff oberflaech w1 w2 Kategorie 1 Kategorie 2 Kategorie 3 Kategorie 4 Kategorie 5 Kategorie m Unser Zimmer war offenbar erst kürzlich renoviert worden, helle Möblierung mit Kunststoffoberflächen, wandmontierter moderner Flachbild-TV. Die Matratzen wirken ebenfalls neu, flach und fest. 2 Ablagen für Koffer,
20 Kurzinfo SVM Support Vector Machines Merkmale ( Wörter ) werden in einen Vektor überführt Ermittlung der Trennebene Bestimmung der Distanz Multi-Label Erweiterung Berücksichtigung im Training Weitere Lernverfahren werden unterstützt
21 Training
22 Training Freitextsuche Filter Bewertungstext und Kategorien Klassifikation & Training
23 Training
24 Klassifizierung
25 Mehrsprachigkeit
26 Active Learning Trainiere Bewertungen mit den niedrigsten Konfidenzen / Kategorie
27 Zusammenfassung 1 3 2
28 Evaluation 10-fache Kreuzvalidierung auf vorklassifizierten Daten Spezifische Kategorien: hohe Performanz, oft um 90% Precision / 80% Recall Durchschnitt: 88% Precision, 74 %Recall Unspezifische Kategorien: wenige Trainingsbeispiele bei sehr vielfältigen Formulierungen
29 Performanz nach Kategorie
30 Unspezifische Kategorien Kategorie Atmosphäre eigentlich nur eine Schlafburg 1001 Nacht wurde wahr! Kam mir vor wie in einem Zugabteil auch im Hotel wurde von Betrunkenen um gegrölt Claustrophobic corridors and thin walls between rooms
31 Performanz nach Polarität 92 % Korrektheit auf Dokumentenebene Für Lärmempfindliche ist zu bemerken, dass die Zimmer zur Plaza Augusti bei geöffnetem Fenster eine stetige Geräuschkulisse bieten durch ein gemütliches Bistro neben dem Hotel (allerdings auch ein großer Pluspunkt, bis spät in die Nacht gibt es Essen und Getränke, wenn andere schon längst geschlossen haben), Müllentsorge-Fahrzeuge und Menschen, die noch umherlaufen... Die Fenster sind allerdings völlig dicht, eine funktionierende Klimaanlage vorhanden. Polarität der Bewertung durch Nutzer: Negativ System: Kategorie Zimmer/Ausstattung Positiv (Klimaanlage) Kategorie Gastronomie Positiv Kategorie Lautstärke Negativ
32 Aggregation Mittelung über alle Einzelbewertungen (> 1.000) Intuitive und übersichtliche Darstellung für den Nutzer Freundlichkeit Sauberkeit Frühstück Atmosphäre 0,9 0,8 0,7 0,6 0,5 0,4 0,3 0,2 0,1 0 Erreichbarkeit Ausstattung Preis WC Betten Badezimmer Lautstärke
33 Vielen Dank! Bei Interesse und weiteren Fragen wenden Sie sich bitte an: Dr. Kornél Markó
PETRUS Szenario 1 Automatische Sachgruppenvergabe
PETRUS Szenario 1 Automatische Sachgruppenvergabe Elisabeth Mödden 1 Automatische Sachgruppenvergabe 1. DDC-Sachgruppen 2. Automatische Sachgruppenvergabe 3. Tests und Ergebnisse 4. Geschäftsprozesse und
MehrFrank Busse. Maschinelle Klassifikation in der Deutschen Nationalbibliothek
1 Frank Busse Maschinelle Klassifikation in der Deutschen Nationalbibliothek 2 34 Maschinelle Klassifikation in der DNB 9. November 2018 Übersicht Allgemeines Maschinelle Klassifikation Workflow Kennzeichnung
MehrAutomatische Beschlagwortung mit dem Vokabular der Schlagwortnormdatei (SWD) und der Personennamendatei (PND) Erfahrungen aus dem DNB-Projekt PETRUS
Sandro Uhlmann Automatische Beschlagwortung mit dem Vokabular der Schlagwortnormdatei (SWD) und der Personennamendatei (PND) Erfahrungen aus dem DNB-Projekt PETRUS 1 Automatische Beschlagwortung mit dem
MehrMorpho-semantische Analyse von Texten
PETRUS-Workshop Automatische Erschließungsverfahren am 21./22. März 2011 Morpho-semantische Analyse von Texten Dr. Kornél Markó Dr. Katrin Tomanek Averbis GmbH Über Averbis Herkunft: Spin-off des Universitätsklinikums
MehrOpinion Mining Herausforderungen und Anwendung in der Politik
Opinion Mining Herausforderungen und Anwendung in der Politik 28.09.2011 Umut Yilmaz Inhaltsübersicht 1. Einführung 2. Grundlagen 3. Anwendung in der Politik 4. Anwendungsbeispiel 5. Fazit 2 1. Einführung
MehrDie automatische Erschließung in der Deutschen Nationalbibliothek
1 40 Die automatische Erschließung in der Deutschen Nationalbibliothek 4./5. September 2018 Matthias Nagelschmidt Die automatische Erschließung in der Deutschen Nationalbibliothek 2 40 Die automatische
MehrKann man Inhaltserschließung automatisieren?
Ulrike Junger Kann man Inhaltserschließung automatisieren? Das Projekt PETRUS an der Deutschen Nationalbibliothek 1 ODOK Leoben - 23.09.2010 Kurzer Abriß 1. Petrus warum, was, wie? 2. Automatische Sachgruppenvergabe
Mehr1/19. Kern-Methoden zur Extraktion von Informationen. Sebastian Marius Kirsch Back Close
1/19 Kern-Methoden zur Extraktion von Informationen Sebastian Marius Kirsch skirsch@moebius.inka.de 2/19 Gliederung 1. Verfahren zur Extraktion von Informationen 2. Extraktion von Beziehungen 3. Maschinelles
MehrSKOPOS Webinar 22. Mai 2018
SKOPOS Webinar 22. Mai 2018 Marktforschung 2020: Künstliche Intelligenz und automatische Text Analysen? Christopher Harms, Consultant Research & Development 2 So? Terminator Exhibition: T-800 by Dick Thomas
MehrWas ist Statistik? Wozu dienen statistische Methoden?
25. APRIL 2002: BLATT 1 Übersicht Was ist Statistik? Wozu dienen statistische Methoden? Was ist maschinelle Sprachverarbeitung? Welche Rolle spielen statistische Methoden in verschiedenen Teilbereichen
MehrGleiche Daten, unterschiedliche Erkenntnisziele?
Gleiche Daten, unterschiedliche Erkenntnisziele? Zum Potential vermeintlich widersprüchlicher Zugänge zur Textanalyse Universität Hamburg Evelyn Gius Jan Christoph Meister Janina Jacke Marco Petris Universität
MehrChrista Schöning-Walter. Ist automatische Erschließung möglich? Erfahrungen der Deutschen Nationalbibliothek
Christa Schöning-Walter Ist automatische Erschließung möglich? Erfahrungen der Deutschen Nationalbibliothek 1 Automatische Erschließung bei der DNB warum? Ziele: Geschäftsprozesse beschleunigen Erschließungsaufwände
MehrElisabeth Mödden. Maschinelle Klassifikation und Beschlagwortung der Reihe O in der Deutschen Nationalbibliothek Einblicke in die Praxis
1 Elisabeth Mödden Maschinelle Klassifikation und Beschlagwortung der Reihe O in der Deutschen Nationalbibliothek Einblicke in die Praxis 2 Workshop "Sacherschließung im HeBIS-Verbund" 15. Juni 2016 Automatische
MehrVortrag 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 Einführung in Text-Mining Der Text-Mining Prozess
MehrSemiautomatische Erschließung von Psychologie-Information
PETRUS-Workshop "Automatische Erschließungsverfahren" 21./22.03.2011 Dipl.-Psych. Michael Gerards Semiautomatische Erschließung von Psychologie-Information Kontext Die Literaturdatenbank PSYNDEX: Erschließt
MehrMaschinelle Sprachverarbeitung
Maschinelle Sprachverarbeitung Übung Aufgabe 5: Gen-Erkennung mit Maschinellen Lernen Mario Sänger Problemstellung Erkennung von Genen in Texten NEU: Beachtung von Multi-Token-Entitäten (B-/I-protein)
MehrBusiness Analytics Day Predictive Sales in CRM
Business Analytics Day Predictive Sales in CRM Business Analytics Day 07.03.2019 Artur Felic, CAS Software AG in Zahlen CAS Software AG eine Netzwerkorganisation Jedem Kunden seine CAS CAS Mittelstand:
MehrMaschinelle Übersetzung
Maschinelle Übersetzung Wissensmanagement VO 340088 Bartholomäus Wloka https://www.adaptemy.com MÜ Ansätze Zwei Dimensionen: Verarbeitungstiefe Art der verwendeten Technik Seite 2 Verarbeitunstiefe Seite
MehrMaschinelle Sprachverarbeitung Übung
Maschinelle Sprachverarbeitung Übung Aufgabe 3: SPAM-Klassifikation Mario Sänger Aufgabe Rund 50% des weltweiten Email-Verkehrs ist Spam* Spam- und Phishing-Mails stellen eines der größten Sicherheitsrisiken
MehrSemiautomatische Erschließung von Psychologie-Information
PETRUS-Workshop "Automatische Erschließungsverfahren" 21./22.03.2011 Dipl.-Psych. Michael Gerards Semiautomatische Erschließung von Psychologie-Information Kontext Die Literaturdatenbank PSYNDEX: Erschließt
MehrIntelligentes Enterprise Information Management (EIM)
Intelligentes Enterprise Information Management (EIM) Franz Schreiber... verborgenes Wissen produktiv machen Durch Optimierung von Dokumenten und Informationen zum intelligenten EIM DM Dokumenten Management
MehrSentiment 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
MehrBachelorarbeit Erkennung von Fließtext in PDF-Dokumenten
Bachelorarbeit Erkennung von Fließtext in PDF-Dokumenten 16.08.2016 David Spisla Albert Ludwigs Universität Freiburg Technische Fakultät Institut für Informatik Gliederung Motivation Schwierigkeiten bei
MehrSemiüberwachte Paarweise Klassifikation
Semiüberwachte Paarweise Klassifikation Andriy Nadolskyy Bachelor-Thesis Betreuer: Prof. Dr. Johannes Fürnkranz Dr. Eneldo Loza Mencía 1 Überblick Motivation Grundbegriffe Einleitung Übersicht der Verfahren
MehrSpace Usage Rules. Neele Halbur, Helge Spieker InformatiCup 2015 19. März 2015
Space Usage Rules? InformatiCup 2015 1 Agenda 1. Vorstellung des Teams 2. Entwicklungsprozess und Umsetzung 3. Verbesserung der Strategien 4. Auswertung der Strategien 5. Ausblick 6. Fazit 2 Vorstellung
MehrTextmining 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
MehrReranking. Parse Reranking. Helmut Schmid. Institut für maschinelle Sprachverarbeitung Universität Stuttgart
Institut für maschinelle Sprachverarbeitung Universität Stuttgart schmid@ims.uni-stuttgart.de Die Folien basieren teilweise auf Folien von Mark Johnson. Koordinationen Problem: PCFGs können nicht alle
MehrNutzung maschinellen Lernens zur Extraktion von Paragraphen aus PDF-Dokumenten
Nutzung maschinellen Lernens zur Extraktion von Paragraphen aus PDF-Dokumenten Albert-Ludwigs-Universität zu Freiburg 13.09.2016 Maximilian Dippel max.dippel@tf.uni-freiburg.de Überblick I Einführung Problemstellung
MehrAutomatische Kategorisierung von Freitexten mittels Textanalyse am Beispiel von NPS Kundenzufriedenheitsumfragen
Automatische Kategorisierung von Freitexten mittels Textanalyse am Beispiel von NPS Kundenzufriedenheitsumfragen ISR Information Products AG Robin Richter Aufgabenstellung Evaluationsstrategie Modellierung
MehrKlassifikation von Textabschnitten
Klassifikation von Textabschnitten Am Beispiel von Stellenanzeigen (JASC - Job Ads Section Classifier) Gliederung 1. Einführung: Zu welchem Zweck machen wir das? 2. Klassifikation ein kurzer Überblick
MehrDigitalisierte Hochschuldidaktik: Qualitätssicherung von Prüfungen mit dem E-Assessment-Literacy-Tool EAs.LiT
Digitalisierte Hochschuldidaktik: Qualitätssicherung von Prüfungen mit dem E-Assessment-Literacy-Tool EAs.LiT Andreas Thor 1, Norbert Pengel 2, Heinz-Werner Wollersheim 2 1 Hochschule für Telekommunikation
MehrRecommender-System für Projektkollaborationen basierend auf wissenschaftlichen Publikationen und Patenten
basierend auf wissenschaftlichen Publikationen und Patenten PD Dr. Christoph Quix 1,2, Sandra Geisler 2, Rihan Hai 2 1 Fraunhofer-Institut für Angewandte Informationstechnik FIT http://fit.fraunhofer.de
MehrHotelpreisentwicklung Q2/2018: München führt in Deutschland
PRESSEMITTEILUNG Hotelpreisentwicklung Q2/2018: München führt in Deutschland HRS hat die Hotelpreise im zweiten Quartal 2018 ausgewertet +++ Hotelübernachtung kostete in Deutschland im Schnitt 91 Euro.
MehrKapitel 4: Data Mining DATABASE SYSTEMS GROUP. Überblick. 4.1 Einleitung. 4.2 Clustering. 4.3 Klassifikation
Überblick 4.1 Einleitung 4.2 Clustering 4.3 Klassifikation 1 Klassifikationsproblem Gegeben: eine Menge O D von Objekten o = (o 1,..., o d ) O mit Attributen A i, 1 i d eine Menge von Klassen C = {c 1,...,c
MehrAutomatisierte Verfahren für die Themenanalyse nachrichtenorientierter Textquellen
methoden und forschungslogik der kommunikationswissenschaft Andreas Niekler Automatisierte Verfahren für die Themenanalyse nachrichtenorientierter Textquellen HERBERT VON HALEM VERLAG Bibliografische Information
MehrRepetitorium der Computerlinguistik
Repetitorium der Computerlinguistik Marina Sedinkina Ludwig Maximilian University of Munich Center for Information and Language Processing 9.April 2018 Marina Sedinkina (LMU) Repetitorium der Computerlinguistik
MehrEinführung in die Computerlinguistik
Einführung in die Computerlinguistik Statistische Modellierung I WS 2010/2011 Manfred Pinkal Wortartinformation Wortartinformation ist eine wichtige Voraussetzung für die syntaktische Analyse. Woher kommt
MehrLIVIVO: Das neue ZB MED-Suchportal für Lebenswissenschaften Jana Pössel. AGMB-Tagung Basel, Seite
LIVIVO: Das neue ZB MED-Suchportal für Lebenswissenschaften Jana Pössel AGMB-Tagung Basel, 08.09.2015 MEDPILOT und GREENPILOT schließen einen Bund fürs Leben: LIVIVO Interdisziplinäre Literatursuche: Datenquellen
MehrIntelligente Klassifizierung von technischen Inhalten. Automatisierung und Anwendungspotenziale
Intelligente Klassifizierung von technischen Inhalten Automatisierung und Anwendungspotenziale Künstliche Intelligenz Machine Learning Deep Learning 1950 1980 2010 Abgeleitet von: https://blogs.nvidia.com/blog/2016/07/29/whats-difference-artificial-intelligence-machine-learning-deep-learning-ai/
MehrAutomatische Beschlagwortung mit dem Vokabular der SWD
Sandro Uhlmann Automatische Beschlagwortung mit dem Vokabular der SWD Erfahrungen aus dem Projekt PETRUS 1 Projekt PETRUS Szenario 4 Workshop 21./22.03.2011 Frankfurt am Main Projekt PETRUS: Szenario 4
MehrFeature Selection / Preprocessing
1 Feature Selection / Preprocessing 2 Was ist Feature Selection? 3 Warum Feature Selection? Mehr Variablen führen nicht automatisch zu besseren Ergebnissen. Lernen von unwichtigen Daten Mehr Daten notwendig
MehrNeue Erkenntnisse aus unstrukturierten Daten gewinnen
Neue Erkenntnisse aus unstrukturierten Daten gewinnen Univ.-Prof. Dr. Josef Küng Institut für anwendungsorientierte Wissensverarbeitung (FAW) Johannes Kepler Universität Linz In Zusammenarbeit mit Mag.
MehrWorteinbettung als semantisches Feature in der argumentativen Analyse
Worteinbettung als semantisches Feature in der argumentativen Analyse Bachelorverteidigung Kevin Lang 22.03.2016 Übersicht Was ist die argumentative Analyse? Worteinbettung und Word2Vec Resultate Diskussion
MehrLANGZEITAUFENTHALT HOTEL PARC BELLE-VUE
LANGZEITAUFENTHALT HOTEL PARC BELLE-VUE Bei Goeres Hotels arbeiten wir jeden Tag daran, Ihnen das Gefühl zu vermitteln, sich ganz wie Zuhause zu fühlen. Ganz gleich aus welchem Anlass Sie reisen, unser
MehrLearning to Rank Sven Münnich
Learning to Rank Sven Münnich 06.12.12 Fachbereich 20 Seminar Recommendersysteme Sven Münnich 1 Übersicht 1. Einführung 2. Methoden 3. Anwendungen 4. Zusammenfassung & Fazit 06.12.12 Fachbereich 20 Seminar
MehrSocial Media Traum oder Information Overload: Sind die Probleme der Konsumenten wirklich gelöst?
Social Media Traum oder Information Overload: Sind die Probleme der Konsumenten wirklich gelöst? ITB etravel World 2013 - Berlin, 07.03.2013 Prof. Dr. Axel Jockwer axel@jockwer.com Revolutionen in der
MehrMotivation. Klassifikationsverfahren sagen ein abhängiges nominales Merkmal anhand einem oder mehrerer unabhängiger metrischer Merkmale voraus
3. Klassifikation Motivation Klassifikationsverfahren sagen ein abhängiges nominales Merkmal anhand einem oder mehrerer unabhängiger metrischer Merkmale voraus Beispiel: Bestimme die Herkunft eines Autos
MehrThumbs up? Sentiment Classification using Machine Learning Techniques
Thumbs up? Sentiment Classification using Machine Learning Techniques Eine Präsentation von Aikaterini Azoidou. Das ist meine Präsentation für das Proseminar: Selected Topics of Sentiment Analysis WS17/18
MehrAutomatische Klassifikation: Stand der Technik und Veränderungen im Berufsbild des Dokumentars. Automatische Klassifikation:
02. Mai 2005 P R O J E C T C O N S U L T GmbH GmbH 1 Agenda Einführung Automatische Klassifikation Qualität Veränderung des Arbeitsumfeldes Ausblick GmbH 2 1 Einführung GmbH 3 Eine Herausforderung geordnete
MehrNEU IM HOTEL-SERVICEPORTAL: MEINE GÄSTE-BEWERTUNGEN
NEU IM HOTEL-SERVICEPORTAL: MEINE GÄSTE-BEWERTUNGEN MEINE GÄSTE-BEWERTUNGEN : NEUER SERVICE FÜR NEUE ANFORDERUNGEN Neu bei HRS: Gäste-Bewertungen mit Kommentaren HRS Gäste können bereits seit einiger Zeit
MehrData Mining und Maschinelles Lernen Lösungsvorschlag für das 1. Übungsblatt
Data Mining und Maschinelles Lernen Lösungsvorschlag für das 1. Übungsblatt Knowledge Engineering Group Data Mining und Maschinelles Lernen Lösungsvorschlag 1. Übungsblatt 1 1. Anwendungsszenario Überlegen
Mehrmehr service und komfort
mehr service und komfort SWISS MEDICAL NETWORK MEMBER Willkommen in der Privatklinik Lindberg Als Mitglied der Swiss Leading Hospitals (SLH) gehört die Privatklinik Lindberg zu den führenden privaten Kliniken
MehrData Science Made in Berlin Dr. Thomas Hoppe
Data Science Made in Berlin Dr. Thomas Hoppe Reales Problem der Klassifikation Smart Content durch Data Science Evaluation der Güte der Lösung Inspired by Drew Conway Datenaufbereitung Datenanalyse Social
MehrBe smart. Be different. N E O z e n z a i
Be smart. Be different. 1 Ihr Ansprechpartner NEO 7EVEN GmbH www.neo7even.de Erwin Mareis Chief Executive Officer NEO 7EVEN Media AG T.: +41.79 780 86 33 erwin.mareis@neo7media.ch Marco Kahler Director
MehrSemestralklausur zur Vorlesung. Web Mining. Prof. J. Fürnkranz Technische Universität Darmstadt Sommersemester 2008 Termin: 4. 7.
Semestralklausur zur Vorlesung Web Mining Prof. J. Fürnkranz Technische Universität Darmstadt Sommersemester 2008 Termin: 4. 7. 2008 Name: Vorname: Matrikelnummer: Fachrichtung: Punkte: (1).... (2)....
MehrSeite 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
MehrONLINEMARKETING: Digitale (R)Evolution - verändert alles...?
ONLINEMARKETING: Digitale (R)Evolution - verändert alles...? 1. Stand heute Kurzprofil Fullservice-Agentur mit Schwerpunkt Onlinemarketing, Unternehmensberatung, Websites, 1. Platzierung bei Google...
MehrSprachunabhängige Autorschafts-Verifikation
Sprachunabhängige Autorschafts-Verifikation Oren Halvani, Martin Steinebach, Ralf Zimmermann Fraunhofer Institute for Secure Information Technology (SIT), Darmstadt, Germany Department of Computer Science
MehrSeminar Künstliche Intelligenz WS 2013/14 Grundlagen des Maschinellen Lernens
Seminar Künstliche Intelligenz WS 2013/14 Grundlagen des Maschinellen Lernens Martin Hacker Richard Schaller Künstliche Intelligenz Department Informatik FAU Erlangen-Nürnberg 19.12.2013 Allgemeine Problemstellung
MehrIdeen und Konzepte der Informatik. Maschinelles Lernen. Kurt Mehlhorn
Ideen und Konzepte der Informatik Maschinelles Lernen Kurt Mehlhorn Übersicht Lernen: Begriff Beispiele für den Stand der Kunst Spamerkennung Handschriftenerkennung mit und ohne Trainingsdaten Gesichts-
MehrText Mining for Second Screen
Text Mining for Second Screen Anwendungen 2 Ivan Demin ivan.demin@haw-hamburg.de 5. Juni 2014 Agenda 1 Motivation 2 Learning to link with wikipedia 3 Generating Queries from User-Selected Text 4 Feeding
Mehrxii Inhaltsverzeichnis Generalisierung Typisierte Merkmalsstrukturen Literaturhinweis
Inhaltsverzeichnis 1 Computerlinguistik Was ist das? 1 1.1 Aspekte der Computerlinguistik.................. 1 1.1.1 Computerlinguistik: Die Wissenschaft........... 2 1.1.2 Computerlinguistik und ihre Nachbardisziplinen.....
MehrInhaltsverzeichnis. Bibliografische Informationen digitalisiert durch
Inhaltsverzeichnis 1 Computerlinguistik - Was ist das? 1 1.1 Aspekte der Computerlinguistik 1 1.1.1 Computer linguistik: Die Wissenschaft 2 1.1.2 Computerlinguistik und ihre Nachbardisziplinen 3 1.1.3
MehrNeuronale Netze. Christian Böhm.
Ludwig Maximilians Universität München Institut für Informatik Forschungsgruppe Data Mining in der Medizin Neuronale Netze Christian Böhm http://dmm.dbs.ifi.lmu.de/dbs 1 Lehrbuch zur Vorlesung Lehrbuch
MehrINFORMATIONSEXTRAKTION Computerlinguistik Referenten: Alice Holka, Sandra Pyka
INFORMATIONSEXTRAKTION 1 22.12.09 Computerlinguistik Referenten: Alice Holka, Sandra Pyka INFORMATIONSEXTRAKTION(IE) 1. Einleitung 2. Ziel der IE 3. Funktionalität eines IE-Systems 4. Beispiel 5. Übung
MehrMaschinelles Lernen: Symbolische Ansätze
Maschinelles Lernen: Symbolische Ansätze Wintersemester 2009/2010 Musterlösung für das 1. Übungsblatt Aufgabe 1: Anwendungsszenario Überlegen Sie sich ein neues Szenario des klassifizierenden Lernens (kein
MehrSeminar 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
MehrEinführung in die Computerlinguistik
Einführung in die Computerlinguistik Statistische Modellierung WS 2011/2012 Manfred Pinkal Wortartinformation Wortartinformation ist eine wichtige Voraussetzung für die syntaktische Analyse. Woher kommt
MehrGrundlagen und Definitionen
Grundlagen und Definitionen Wissensmanagement VO 340088 Bartholomäus Wloka https://www.adaptemy.com Maschinelle Sprachverarbeitung Breites Spektrum an Methoden der Computerverarbeitung von Sprache. Kann
MehrPädagogische Qualitätskriterien für moderierte Online-Kurse
Pädagogische Qualitätskriterien für moderierte Online-Kurse Ausgangslage Zusammenarbeit Projekt Virtuelle PH & ALP Dillingen Frage: Wie sehen Qualitätskriterien für moderierte Online-Kurse aus? Gibt es?
MehrMathematische Grundlagen III
Mathematische Grundlagen III Maschinelles Lernen III: Clustering Vera Demberg Universität des Saarlandes 7. Juli 202 Vera Demberg (UdS) Mathe III 7. Juli 202 / 35 Clustering vs. Klassifikation In den letzten
MehrGästefragebogen -1. ALLGEMEINE FRAGEN -
Gästefragebogen Wir sind ständig darum bemüht, unseren Gästen den Aufenthalt in Saalfeld so angenehm wie möglich zu gestalten. Deshalb bitten wir Sie um Ihre aktive Mitwirkung. -1. ALLGEMEINE FRAGEN -
MehrEinführung in die Computerlinguistik
Mehrdeutigkeit der Wortart Einführung in die Computerlinguistik Statistische Modellierung und Evaluation WS 2008/2009 Manfred Pinkal Sie haben in Moskau liebe genossen Sie haben in Moskau liebe Genossen
MehrGeschriebene Sprache inhaltlich verstehen
Geschriebene Sprache inhaltlich verstehen Herausforderungen, Anwendungsmöglichkeiten, Potential IBM Developer Days 2014 Marcus Hassler, CEO & CTO econob GmbH 21.05.2014, Wien, AUT Informationssysteme Informationen
MehrSMART DATA IN DER MEDIZIN WIE COMPUTER HELFEN, DIE RICHTIGE DIAGNOSE ZU FINDEN. Referentenbeitrag bei der Special Interest Group (SIG) Big Data 2015
SMART DATA IN DER MEDIZIN WIE COMPUTER HELFEN, DIE RICHTIGE DIAGNOSE ZU FINDEN Referentenbeitrag bei der Special Interest Group (SIG) Big Data 2015 Dr. med. Dipl.-Phys. Thomas Faßbender INHALT 1. Vorstellung
MehrData Mining mit RapidMiner. Fakultät Informatik Lehrstuhl für Künstliche Intelligenz
Data Mining mit RapidMiner Fakultät Informatik Motivation CRISP: DM-Prozess besteht aus unterschiedlichen Teilaufgaben Datenvorverarbeitung spielt wichtige Rolle im DM-Prozess Systematische Evaluationen
MehrSupervised Learning Algorithmus für Stellenanzeigenklassifikation und Jobdeskriptoren Gewinnung
Informatik Pawel Broda Supervised Learning Algorithmus für Stellenanzeigenklassifikation und Jobdeskriptoren Gewinnung Diplomarbeit Ludwig Maximilian Universität zu München Centrum für Informations- und
MehrFirst Mountain Hotel Zillertal
Hotel First Mountain Hotel Zillertal First Mountain Hotel Zillertal Dorfstraße 64 6274 Aschau im Zillertal Telefon: +43 5282 3173 Fax: +43 5282 55001 E-Mail: zillertal@aktives-reisen.de Deine Ansprechperson
MehrCosmos RoomManager. Applikation zur Bettenverwaltung in Beherbergungsbetrieben
Cosmos RoomManager Applikation zur Bettenverwaltung in Beherbergungsbetrieben Überblick Cosmos RoomManager verbindet hohe Funktionalität mit modernster Software-Technologie und bietet Ihnen eine flexible
MehrErfahrungsbericht und Schlussfolgerungen des DIPF zur Erprobung automatischer Erschließung. Verena Wissel
Erfahrungsbericht und Schlussfolgerungen des DIPF zur Erprobung automatischer Erschließung Verena Wissel PETRUS-Workshop Automatische Erschließungsverfahren in der Deutschen Nationalbibliothek 22.03.2011
MehrEchtzeitfähige Algorithmen für markerloses Tracking und Umfelderkennung , Dr.-Ing. Steffen Herbort, A.R.T. GmbH
Echtzeitfähige Algorithmen für markerloses Tracking und Umfelderkennung 26.10.2016, TP 2: Arbeiten von A.R.T. TP2: Tracking und Umfelderkennung Markerloses Tracking texturierte Objekte Umfelderkennung
MehrMarina Sedinkina Folien von Benjamin Roth Planen (CIS LMU andmünchen) Evaluieren von Machine Learning Experimenten 1 / 38
Planen and Evaluieren von Machine Learning Eperimenten Marina Sedinkina Folien von Benjamin Roth CIS LMU München Evaluieren von Machine Learning Eperimenten 1 / 38 Übersicht 1 Entwickeln von maschinellen
Mehrd.classify 3.0 Vorgänge vereinfachen und automatisieren Leitwege beschleunigen
d.classify 3.0 Vorgänge vereinfachen und automatisieren Leitwege beschleunigen Kundenkorrespondenz, Belege, Fragebögen, Anfragen Die Kosten für die Sortierung, Zuordnung und Verarbeitung des täglichen
MehrEinführung in das Maschinelle Lernen I
Einführung in das Maschinelle Lernen I Vorlesung Computerlinguistische Techniken Alexander Koller 26. Januar 2015 Maschinelles Lernen Maschinelles Lernen (Machine Learning): äußerst aktiver und für CL
MehrVorlesung Maschinelles Lernen
Vorlesung Maschinelles Lernen Stützvektormethode Katharina Morik LS 8 Informatik 8.11.2011 1 von 38 Gliederung 1 2 Lagrange-Optimierung 2 von 38 Übersicht über die Stützvektormethode (SVM) Eigenschaften
MehrDEUTSCHLANDS BESTE JOBPORTALE Verleihung der Gütesiegel im Rahmen des Future of Recruiting Summit 2018 auf der Zukunft Personal Köln, 11.9.
DEUTSCHLANDS BESTE JOBPORTALE 2018 Verleihung der Gütesiegel im Rahmen des Future of Recruiting Summit 2018 auf der Zukunft Personal Köln, 11.9.2018 Situation 2018 1600+ Jobportale Hohe Intransparenz Geringer
MehrHotel Waldheim. Hotel Waldheim. Betriebsausstattung Zimmerinformationen. Zimmer / Ferienwohnungen. Allgemeine Ausstattung. Hotel
Hotel Hotel Waldheim Hotel Waldheim Fischerstraße 509 6290 Mayrhofen Telefon: +43 5285 62211 Fax: +43 5285 62211-30 E-Mail: info@hotelwaldheim.at Deine Ansprechperson Frau Monika Emberger Karte aktivieren
MehrVorlesung Digitale Bildverarbeitung Sommersemester 2013
Vorlesung Digitale Bildverarbeitung Sommersemester 2013 Sebastian Houben (Marc Schlipsing) Institut für Neuroinformatik Inhalt Crash-Course in Machine Learning Klassifikationsverfahren Grundsätzliches
MehrEinführung in die Computerlinguistik
Einführung in die Computerlinguistik Statistische Verfahren in der lexikalischen Semantik WS 2/22 Manfred Pinkal Beispiel: Adjektive im Wahrig-Korpus Frequenzen in einem kleinen Teilkorpus: n groß - -
MehrKatharina Esau & Matthias Liebeck Gelsenkirchen, 28. Oktober Heinrich-Heine-Universität Düsseldorf
Verbindung manueller und automatisierter Inhaltsanalyse zur Erhebung von Argumentkomponenten in Online-Partizipationsverfahren: aktuelle Ergebnisse und Ausblick Katharina Esau & Matthias Liebeck Gelsenkirchen,
MehrEXTRAKTION UND KLASSIFIKATION VON BEWERTETEN PRODUKTFEATURES AUF WEBSEITEN
EXTRAKTION UND KLASSIFIKATION VON BEWERTETEN PRODUKTFEATURES AUF WEBSEITEN T-SYSTEMS MULTIMEDIA SOLUTIONS GMBH, 16. FEBRUAR 2012 1. Schlüsselworte Semantic Web, Opinion Mining, Sentiment Analysis, Stimmungsanalyse,
MehrWILLKOMMEN IM B&B HOTEL BERLIN-TIERGARTEN
WILLKOMMEN IM B&B HOTEL BERLIN-TIERGARTEN 2 INHALT 3 Kennen Sie schon B&B HOTELS? Willkommen im B&B Hotel Berlin-Tiergarten Zimmer & Ausstattung Lage Preise & Öffnungszeiten Frühstück Extras & Komfort
MehrEinführung in die Computerlinguistik
Einführung in die Computerlinguistik Statistische Verfahren in der lexikalischen Semantik Evaluation Annotation eines Goldstandard : Testkorpus mit der relevanten Zielinformation (z.b. Wortart) Automatische
MehrQUALITY INN KINGMAN. Termine & Angebote :12 https://www.reisewelt.at/de/reisen/tt/h19697.html. Kingman, USA. Quality Inn Kingman
09.11.2017 19:12 https://www.reisewelt.at/de/reisen/tt/h19697.html QUALITY INN KINGMAN Kingman, USA Quality Inn Kingman Termine & Angebote 17.11.2017-24.11.2017 7 Nächte Quality Inn Kingman Zimmer, Non-Smoking
MehrComputerlinguistische Grundlagen. Jürgen Hermes Wintersemester 17/18 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln
Computerlinguistische Grundlagen Jürgen Hermes Wintersemester 17/18 Sprachliche Informationsverarbeitung Institut für Linguistik Universität zu Köln Was ist Computerlinguistik? Definition Anwendungen Fragestellung
MehrTrends im B2B-Veranstaltungsgeschäft warum Events und Fachmedienunternehmen so gut zusammenpassen!
Trends im B2B-Veranstaltungsgeschäft warum Events und Fachmedienunternehmen so gut zusammenpassen! Dr. Dominik Wagemann, Geschäftsbereichsleiter Events & marconomy Vogel Business Media GmbH & Co. KG Kongress
MehrAutomatische Vergabe von RVK-Notationen mittels fallbasiertem Schließen. Magnus Pfeffer Universitätsbibliothek Mannheim
Automatische Vergabe von RVK-Notationen mittels fallbasiertem Schließen Magnus Pfeffer Universitätsbibliothek Mannheim Gliederung Motivation und Historie Verfahren Umsetzung Experimentelle Ergebnisse Nachnutzung
MehrDIALOG. Termine & Angebote :42 https://www.reisewelt.at/de/reisen/tt/h93932.html. Stockholm, Schweden. Dialog
08.11.2017 22:42 https://www.reisewelt.at/de/reisen/tt/h93932.html DIALOG Stockholm, Schweden Dialog Termine & Angebote 19.11.2017-27.11.2017 8 Nächte Dialog Standard Room 19.11.2017-27.11.2017 8 Nächte
MehrMidas Metadata yield by Data Analysis
Midas Metadata yield by Data Analysis Glossar powered by Was ist Text Mining? Unter Text Mining versteht sich im Allgemeinen die Extraktion von strukturierten Informationen aus unstrukturierten oder semistrukturierten
MehrSemestralklausur 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