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

Transkript

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

2 Rückblick Aktueller Status Opinion Mining Einführung Einblicke Nächste Schritte 2 von 14

3 Text-Mining Grundlage: unstrukturierte bzw. semistrukturierte Daten Prozess mit Schwerpunkt auf Dokumentaufbereitung Morphologische Analyse Syntaktische Analyse Semantische Analyse (Text) Mining Methoden Klassifikation 3 von 14

4 Abgeschlossen Einarbeitung in die Grundlagen des Opinion-Mining In Bearbeitung Aufstellen der Prototyp-Anforderungen Recherche zu Tools für das Opinion Mining Nicht begonnen Auswahl des Tools (der Tools) Praktische Umsetzung des Prototypen 4 von 14

5 Extraktion von Informationen aus dem WWW oder Offline-Dokumenten Fokus: Analyse der enthaltenen Meinungen Beginn der Forschung: Identifikation von Meinungsworten Zuordnung der semantischen Orientierung (positiv, negativ, neutral) zu den Meinungsworten 5 von 14

6 Texte mit Meinungsäußerung können aus drei verschiedenen Perspektiven betrachtet werden 1. Sentiment Klassifikation 2. Eigenschaften-basiertes Opinion Mining 3. Vergleichendes Sentence und Relation Mining 6 von 14

7 Sentiment Klassifikation Opinion Mining als Klassifikationsproblem auf Dokumenten-Ebene Zuteilung zur Klasse positiv oder negativ Details (Vorlieben oder Abneigungen) der Rezensenten werden nicht betrachtet Eigenschaften-basiertes Opinion Mining Arbeitet auf Satzebene Ziel ist die Aufdeckung von Details Beispielsatz: Der Touchscreen des iphone ist sehr gut. Positive Beurteilung des iphone Touchscreens 7 von 14

8 Vergleichendes Sentence und Relation Mining Eigenschaften von Objekten (Produkten) werden gegenübergestellt Beispielsatz: Der Touchscreen des ipads ist viel besser als der des Motorola Xoom. Zusammenfassend: Identifikation von subjektiv geäußerten Stimmungen Polarität und Stärke der Äußerungen und deren Beziehung zum untersuchten Thema 8 von 14

9 Mannschaft der Herzen [MieR11] Rapid Sentilyzer überwachte die Online-Stimmung während der Fußball-WM 2010 Portallösung für Competitive Intelligence analysierte mehr als 1000 Online-Kanäle Quelle: Artikel/ / f%20Rapid- i%20social%20media%20monitoring%20- Dateien/image002.jpg Quelle: Artikel/ / f%20Rapid- i%20social%20media%20monitoring%20- Dateien/image004.jpg 9 von 14

10 NetBase: Social Intelligence Platform Nutzen am Beispiel eines NetBase-Kunden [DarS11] Griechischer Hersteller für Yoghurt Aufgedeckt mittels traditioneller BI: Bestverkaufter Yoghurt-Geschmack ist Vanille Opinion Mining offenbarte: Große Begeisterung und Leidenschaft existierte zur Geschmacksrichtung Ananas Operationale Daten zeigten: Limitierte Produktion und geringe Verkaufsabdeckung für den Ananas Geschmack 10 von 14

11 Fflick: Meinungsbasierte Film-Empfehlungen auf Grundlage der Meinungen von Freunden [AllG11] Übernahme durch Google für $10 Mio. [AllG11] Am auf offiziellen Youtube Blog mitgeteilt [RajY11] Quelle: 11 von 14

12 12 von 14

13 13 von 14

14 [AllG11] Allen, J.: Google To Buy Sentiment Analysis Engine, fflick - Search Engine Watch (#SEW). Buy-Sentiment-Analysis-Engine-fflick, [DarS11] Darrow, B.: SAP taps NetBase for deep social media analytics [HamO10] Hammer, T.: Opinion und Relationship Mining in sozialen Netzwerken. Extraktion von Meinungen und Beziehungen mittels Textmining und sozialer Netzwerkanalyse. VDM Verlag Dr. Müller, [InaO10] Ina Kimmling: Opinion Mining, Koblenz, [MieR11] Mierswa, I. Dr.: Rapid-i Social Media Monitoring. Artikel/ / f%20Rapidi%20Social%20Media%20Monitoring%20.htm, [RajY11] Rajaraman, S.: YouTube Blog: Share and share alike: we ve acquired Fflick von 14