Opinion Mining / Demo / Hinweise Demo

Hinweise Demo

Hier möchten wir im Rahmen eines FAQs die Demoanwendung für unser Aspect-Based Opinion Mining beschreiben.
Haben Sie weitere Fragen? Kontaktieren Sie uns hier.

Was macht diese Demoanwendung?
Die Demoanwendung führt für einen eingegebenen Text ein Aspekt-Based Opinion Mining durch.

Was bedeutet Aspect-Based Opinion Mining?
Aspect-Based Opinion Mining sucht Meinungen in Texten, welche sich auf Aspekte bestimmter Dinge (Entitäten) beziehen. Beispielsweise bezieht sich im Satz "Der Service der ABC-Versicherung ist super" die geäußerte Meinung (super) auf den Service (Aspekt) der ABC-Versicherung (Entität).

Was kann ich machen und was ist zu sehen?
Man kann in dem Textfeld einen eigenen Text oder den vorgegebenen Beispieltext analysieren lassen. Führt man die Analyse durch, so werden im Text alle Aspekte und Entitäten blau, alle positiven Meinungsäußerungen grün und alle negativen Meinungsäußerungen rot markiert. Unter dem Text ist dann die Zusammenfassung der Analyse, d.h. eine Tabelle mit den Aspekten und ihren Bewertungen, angeführt.

Warum wurde der voreingestellte Beispielsatz aus dem Bereich der Versicherungswirtschaft gewählt?
Die Beispielanwendung ist aus einem Projekt hervorgegangen, welches wir in den Jahren 2012 bis 2014 mit der nobisCum Deutschland GmbH (heute: Enova AG) durchgeführt haben. Das Projekt wurde im Rahmen des IuK-Programms vom Bayerischen Staatsministerium für Wirtschaft und Medien, Energie und Technologie gefördert.
Dies bedeutet auch, dass momentan nur Entitäten und Aspekte aus dem Versicherungsbereich erkannt werden. Sollen als mögliche Aspekte sämtliche Nomen dienen, so muss auf Nomenbasierte Analyse umgestellt werden (s.u.).

Man kann sich registrieren, warum sollte man das tun?
Als registrierter Benutzer hat man mehr Rechte und sieht mehr. Beispielsweise kann man anstatt der Aspektliste für die Versicherungen auch im Feld Algorithmus auf Nomenbasierte Analyse umstellen und so auch Sätze, die nichts mit Versicherungen zu tun haben, analysieren.

Was sind die Besonderheiten des entwickelten Algorithmus?
Der von uns entwickelte Algorithmus ist in mancher Hinsicht anders als herkömmliche Algorithmen. Die Besonderheiten sollen hier kurz aufgelistet und mit Beispielen verdeutlicht werden:

  • Natürlich verwenden wir unsere SePL. Dabei berücksichtigen wir auch, wenn Phrasen auseinandergezogen verwendet werden.
    Beispiel: Steht im Text "... rate dringend ab ...", so wird die Phrase "dringend abraten" aus SePL richtig zugeordnet.
  • Wir lösen Koreferenzen auf.
    Beispiel: "Der Mitarbeiter war freundlich. Er kam mir auch sehr kompetent vor.": Beide Attribute, sowohl "freundlich" als auch "kompetent" werden dem Mitarbeiter zugeordnet.
  • Bei einer Verkettung von Aspekten oder meinungstragenden Phrasen wird die Verkettung richtig aufgelöst.
    Beispiele:
    • " ... Schadenregulierung und Service sind gut": Gut bezieht sich auf beides, Schadenregulierung und Service.
    • " ... Die Mitarbeiter sind freundlich und kompetent": Die Wertungen "freundlich" und "kompetent" werden beide den Mitarbeitern zugeordnet.
  • Wird eine Meinung auf einen untergeordneten Aspekt bezogen, so wird dies richtig aufgelöst.
    Beispiel: "Die Mitarbeiter der Hotline sind nett": "nett" bezeiht sich auf die Mitarbeiter, nicht auf die Hotline.

Und wer hat's programmiert?

  • Die zugrundeliegenden Algorithmen wurden von den wissenschaftlichen Mitarbeiter unserer Forschungsgruppe und von Studierenden im Rahmen ihrer Abschlussarbeiten implementiert.
  • Die Webanwendung wurde von Andreas Rotenhäuser im Rahmen seiner Bachelorarbeit erstellt.
  • Wir danken Herrn Friedrich Bischoff für die Unterstützung beim Design der Seite.