Vergleich unterschiedlicher Methoden der Unsupervised Topic Detection. Kundenfeedback touristischer Betriebe der Bodenseeregion

Inhaltsverzeichnis

1. Einleitung

1.1. Motivation und Problemstellung

1.2. Zielsetzung und Abgrenzung

1.3. Aufbau der Arbeit

2. Grundlagen

2.1. Tourismus in der Bodenseeregion

2.2. Data Mining

2.3. Text Mining

2.4. Unsupervised Topic Detection

3. Methodik

3.1. Datenextraktion – Web Crawling

3.1.1. Datenquelle

3.1.2. Datenextraktion

3.2. Datenanalyse – Unsupervised Topic Detection

3.2.1. Vorbereitung der Daten – Preprocessing

3.2.2. Latent Dirichlet Allocation (LDA)

3.2.3. Keyword Clustering

3.2.4. Hierarchical Clustering

4. Ergebnisse

4.1. Datenextraktion – Web Crawling

4.1.1. Erklärung des Datensatzes

4.1.2. Tabellarische Beschreibung der Attribute

4.2. Datenanalyse – Unsupervised Topic Detection

4.2.1. LDA

4.2.2. Keyword Clustering

4.2.3. Hierarchical Clustering

4.3. Vergleich der Ergebnisse

5. Schluss

5.1. Zusammenfassung

5.2. Ausblick

Zielsetzung & Themen

Diese Bachelorthesis untersucht mittels verschiedener Verfahren der Unsupervised Topic Detection, welche Themen häufig in Kundenbewertungen touristischer Unterkünfte in der Bodenseeregion diskutiert werden, um Unternehmen bei der Optimierung ihrer Angebote zu unterstützen.

• Vergleich unüberwachter Verfahren zur Themenerkennung (LDA, Keyword Clustering, Hierarchical Clustering).
• Datenextraktion mittels Web Crawling aus Reiseportalen für die Bodenseeregion.
• Optimierung der Analyseprozesse auf verschiedenen Granularitätsebenen.
• Methodischer und semantischer Vergleich der Verfahren hinsichtlich ihrer Interpretierbarkeit.

Auszug aus dem Buch

Zusammenfassung der Kapitel

1. Einleitung: Beschreibt die steigende Bedeutung von User Generated Content im Tourismus und definiert die Motivation sowie Zielsetzung der Arbeit.

2. Grundlagen: Erläutert die theoretischen Konzepte von Tourismus in der Bodenseeregion, Data Mining, Text Mining und Unsupervised Topic Detection.

3. Methodik: Beschreibt detailliert die Prozesse der Datenextraktion via Web Crawling sowie die Vorbereitung und Analyse der Daten durch verschiedene Verfahren.

4. Ergebnisse: Präsentiert die Resultate der Analysen und vergleicht diese methodisch sowie semantisch über verschiedene Granularitätsebenen hinweg.

5. Schluss: Fasst die wichtigsten Erkenntnisse der Thesis zusammen und gibt einen Ausblick auf potenzielle zukünftige Entwicklungen und Analysen.

Schlüsselwörter

Unsupervised Topic Detection, Text Mining, Data Mining, Bodenseeregion, Kundenfeedback, Web Crawling, Latent Dirichlet Allocation, Keyword Clustering, Hierarchical Clustering, Tourismus, Sentimentanalyse, Themenidentifikation, Qualitätsdimensionen, Prozessmodell, RapidMiner.

Häufig gestellte Fragen

Worum geht es in der Arbeit grundlegend?

Die Arbeit befasst sich mit der automatisierten Analyse von Hotel- und Unterkunftsrezensionen in der Bodenseeregion, um versteckte Themen (Topics) zu identifizieren.

Welche zentralen Themenfelder werden bearbeitet?

Im Fokus stehen die Themenbereiche Hotelausstattung, Servicequalität, gastronomische Angebote, Standortfaktoren sowie die Zimmerqualität.

Was ist das primäre Ziel der Untersuchung?

Das Ziel ist es, verschiedene unüberwachte Verfahren zur Themenerkennung zu evaluieren und herauszufinden, welches Verfahren die aussagekräftigsten Ergebnisse für unterschiedliche Detaillierungsgrade der Themen liefert.

Welche wissenschaftliche Methode kommt zum Einsatz?

Es werden drei Verfahren verglichen: die Latent Dirichlet Allocation (LDA), das Keyword Clustering sowie das Hierarchical Clustering, jeweils angewandt auf deutschsprachige Bewertungen.

Was wird im Hauptteil der Arbeit behandelt?

Der Hauptteil gliedert sich in die methodische Beschreibung der Datenextraktion via Web Crawling, die Datenaufbereitung (Preprocessing) und die anschließende Durchführung und Optimierung der gewählten Clustering-Verfahren.

Welche Schlagworte charakterisieren diese Arbeit?

Zu den prägenden Begriffen zählen Topic Detection, Unsupervised Learning, Tourismus-Feedback, Data-Mining-Prozesse und RapidMiner.

Warum wurde Booking.com als Datenquelle gewählt?

Die Plattform bietet eine große Menge an textuellen Bewertungen für die Bodenseeregion, die im Vergleich zu anderen Portalen eine für unüberwachte Verfahren geeignete Struktur aufweisen.

Warum ist das Hierarchical Clustering im Vergleich zur LDA eingeschränkt?

Das Hierarchical Clustering im untersuchten Software-Tool bietet weniger Flexibilität bei der manuellen Wahl der Clusteranzahl pro Iteration und neigt zu einer unflexiblen symmetrischen Aufteilung.