Wie Unternehmen von Text Mining profitieren können. Verwendung von Verfahren des Text Mining zur Gewinnung relevanter Informationen aus Online-Bewertungen

Inhaltsverzeichnis

1 Einleitung

1.1 Motivation

1.2 Problemstellung

1.3 Forschungsfrage

1.4 Vorgehensweise

2 Text Mining und Online-Bewertungen

2.1 Text Mining

2.1.1 Definition und Abgrenzung

2.1.2 Der Prozess des Text Mining

2.1.3 Text als Datenbasis

2.2 Online-Bewertungen

2.2.1 Bewertungsplattformen

2.2.2 Formatmerkmale von Online-Bewertungen

3 Forschungsmethodik

4 Sentiment-Analyse und Aspekt-Extraktion

4.1 Datenerfassung

4.1.1 Application Programming Interfaces (APIs)

4.1.2 Web Crawler

4.1.3 Datei-Downloads

4.1.4 Herausforderungen

4.2 Vorverarbeitung der Daten

4.2.1 Tokenisierung

4.2.2 Konvertierung von Buchstaben in Kleinbuchstaben

4.2.3 Korrektur von Rechtschreibfehlern

4.2.4 Stoppwort-Entfernung

4.2.5 Umgang mit Negationen

4.2.6 Part-of-Speech Tagging

4.3 Sentiment-Analyse

4.3.1 Herausforderungen

4.3.2 Granularitätsebenen und Methoden der Sentiment-Analyse

4.3.3 Lexikonbasierter Ansatz

4.3.4 Aspektbasierter Ansatz

4.4 Aspekt-Extraktion

4.4.1 Latent Dirichlet Allocation

4.4.2 Herausforderungen

5 Experimente

5.1 Datensatz

5.2 Phase I: Untersuchung des Korpus

5.3 Phase II: Vorverarbeitung

5.4 Phase III: Sentiment-Analyse - lexikonbasierter Ansatz

5.5 Phase IV: Sentiment-Analyse - aspektbasierter Ansatz

5.6 Phase V: Aspekt-Extraktion - Latent Dirichlet Allocation

5.7 Phase VI: Zusammenführung der Ergebnisse und Bewertung

6 Verwandte Arbeiten

7 Schlussbetrachtung

Zielsetzung & Themen

Die vorliegende Arbeit zielt darauf ab, ein universelles System für den E-Commerce-Markt zu entwickeln oder zu konzipieren, das Online-Bewertungen mittels Text Mining analysiert, um eine produktbezogene Übersicht der Aspekte und deren Sentiment zu liefern. Dabei werden insbesondere die praktischen Herausforderungen bei der automatischen Verarbeitung von Kundenrezensionen adressiert.

• Grundlagen des Text Mining und deren Anwendung auf Online-Bewertungen
• Entwicklung und Evaluation einer Methodik zur Sentiment-Analyse und Aspekt-Extraktion
• Demonstration eines Lösungsansatzes zur automatisierten Zusammenfassung von Kundenmeinungen
• Analyse und Klassifizierung von Aspekten in positive und negative Kontexte mittels Latent Dirichlet Allocation

Auszug aus dem Buch

Zusammenfassung der Kapitel

1 Einleitung: Diese Kapitel motiviert die Relevanz von Online-Bewertungen im E-Commerce, definiert die Problemstellung der manuellen Analyse und legt die Forschungsfrage sowie die methodische Vorgehensweise fest.

2 Text Mining und Online-Bewertungen: Hier werden theoretische Grundlagen des Text Mining erörtert und die Struktur sowie die verschiedenen Arten von Bewertungsplattformen miteinander verglichen.

3 Forschungsmethodik: Es wird der methodische Ansatz mit seinen Phasen gemäß Schieber und Hilbert (2014) vorgestellt und die Kategorisierung der Daten für die Analyse beschrieben.

4 Sentiment-Analyse und Aspekt-Extraktion: Dieses zentrale Kapitel behandelt die theoretischen Rahmenbedingungen zu Datenerfassung, Vorverarbeitung, Sentiment-Analyse und Aspekt-Extraktion sowie deren Herausforderungen.

5 Experimente: Die Kapitelabschnitte dokumentieren die praktische Umsetzung und Evaluation des hybriden Ansatzes anhand eines Amazon-Datensatzes für ein Apple-Produkt.

6 Verwandte Arbeiten: Es erfolgt eine Einordnung der Arbeit durch eine Diskussion aktueller Publikationen und verwandter Forschungsansätze im Bereich der Themenmodellierung.

7 Schlussbetrachtung: Die Arbeit schließt mit einer Zusammenfassung der Ergebnisse, einer kritischen Würdigung der Einschränkungen und einem Ausblick auf zukünftige Forschungsmöglichkeiten.

Schlüsselwörter

Text Mining, Online-Bewertungen, Sentiment-Analyse, Aspekt-Extraktion, E-Commerce, Latent Dirichlet Allocation, Vorverarbeitung, Datenanalyse, Kundenfeedback, Automatisierung, Klassifikation, Wortartenerkennung, Sprachverarbeitung, Modellierung, Produktentwicklung.

Häufig gestellte Fragen

Worum geht es in der Arbeit grundlegend?

Die Arbeit untersucht, wie Unternehmen die "Stimme des Kunden" aus Online-Bewertungen effizient und automatisiert analysieren können, um wertvolles Wissen über die Kundenmeinungen zu Produkten und Dienstleistungen zu gewinnen.

Welche zentralen Themenfelder werden behandelt?

Die Schwerpunkte liegen auf den Prozessen des Text Mining, der Sentiment-Analyse zur Bestimmung der Stimmung und der Aspekt-Extraktion zur Identifizierung der bewerteten Produkteigenschaften.

Was ist das primäre Ziel oder die Forschungsfrage?

Das Ziel ist die Erschaffung eines universellen, plattformunabhängigen Systems für den E-Commerce-Markt, das aus Online-Bewertungen automatisch Übersichtsgrafiken zu Aspekten und deren zugehörigem Sentiment erstellt.

Welche wissenschaftliche Methode wird verwendet?

Die Arbeit nutzt ein generisches Prozessmodell basierend auf Schieber und Hilbert (2014) und testet einen hybriden methodischen Ansatz, der lexikonbasierte Methoden mit der Latent Dirichlet Allocation (LDA) kombiniert.

Was wird im Hauptteil behandelt?

Der Hauptteil gliedert sich in theoretische Grundlagen, eine detaillierte Forschungsmethodik inklusive Vorverarbeitungsschritten wie Tokenisierung und POS-Tagging sowie die praktische Durchführung von Experimenten an einem Amazon-Datensatz.

Welche Schlüsselwörter charakterisieren die Arbeit?

Wichtige Begriffe sind unter anderem Text Mining, Sentiment-Analyse, Aspekt-Extraktion und Latent Dirichlet Allocation (LDA).

Warum wird das Produkt "Apple iPod Nano" speziell analysiert?

Das Produkt wurde aufgrund der hohen Anzahl an verfügbaren Bewertungen und der vielfältigen technischen Eigenschaften in der Kategorie "electronics" ausgewählt, um die Effektivität des hybriden Analyseansatzes zu demonstrieren.

Welche Bedeutung haben die "hilfreichsten Bewertungen" für die Arbeit?

Diese Bewertungen dienen als Grundlage für eine manuelle Evaluation, bei der Teilnehmer Stichwörter identifizieren, um die Ergebnisse der automatisierten Algorithmen mit menschlicher Einschätzung zu validieren.