Sentiment Analysis – Teil I: Wo sie zum Einsatz kommt und welche Arten es gibt

Sentiment Analysis – Emotionen auslesen

Von Produktfeedback bis hin zu Sympathiewerten für Politiker: Mithilfe von Sentiment Analysis (SA) lassen sich emotionale Vorlieben aus Textdaten extrahieren und auswerten. Wie nutzen Unternehmen und politische Parteien diese „Emotion AI“ und welche Arten von SA kommen zum Einsatz?

von Rashed Sabra, C++ Developer bei L-One

In den letzten 10 Jahren wurden im Internet riesige Mengen an Daten erzeugt. Diese Daten liegen in vielfältigen Formaten vor zum Beispiel als Text, Ton oder Bild.

Textdaten können überall gesammelt werden: aus den Rückmeldungen von Nutzern zu Produkten, getwitterten Statements, Social-Media-Status und -Kommentaren, Nachrichtenartikeln, E-Mails, SMS, Chatrooms, Informationen auf Webseiten, Videokanälen und vielem mehr. Auf Twitter zum Beispiel ist die Anzahl der Tweets pro Minute seit 2013 um 58 % auf über 474.000 Tweets pro Minute im Jahr 2019 gestiegen!

Auf Basis dieser Daten kann Sentiment Analysis einen tiefen Einblick in das gesellschaftliche Verhalten oder Stimmungen zu bestimmten Themen geben.

Sentiment
Rashed Sabra, C++ Developer bei L-One, arbeitet derzeit an einem Projekt zur Entwicklung einer Plattform für eine Mensch-Maschine-Schnittstelle (HRI)

Sentiment Analysis ist ein Bereich des NLP

Sentiment Analysis (SA), der Prozess der Gewinnung bedeutungsvoller Muster aus Textdaten, ist eines der wichtigsten Felder des Natural Language Processing (NLP). Zur SA gehören die Interpretation und Klassifizierung von Emotionen (positiv, negativ und neutral) aus Textdaten mithilfe von Textanalyseverfahren.

💡 Was ist NLP?

Wenn die Daten größtenteils als natürliche menschliche Sprache vorliegen, zum Beispiel als freier Text, dann wird das Verfahren zur Sprachverarbeitung als Natural Language Processing (NLP) bezeichnet.

Sentiment Analysis kommt zum Beispiel bei Unternehmen zum Einsatz. Diese analysieren damit zum Beispiel automatisch Informationen rund um ihre Marke – von Kundenfeedback und Umfrageantworten bis hin zu Unterhaltungen in sozialen Medien.  So können Unternehmen den Kommentaren ihrer Kunden „zuhören“ und Produkteigenschaften entsprechend anpassen.

»Einhergehend mit der umfassenden Bedeutung der digitalen Meinungsäußerung, gewährt uns Sentiment Analysis einen tiefen Einblick in das gesammelte gesellschaftliche Verhalten oder zu bestimmten Themen, sei es Produktfeedback oder sogar Sympathiewerte für politische Kandidaten bei einer Wahl.«

Rashed Sabra, C++ Developer bei L-One

Stimmungswerte können uns helfen, den aktuellen und historischen Kontext eines Themas zu verstehen. Mit automatisierten Analysen können wir so schnell wie nie zuvor erfassen, was das breitere Publikum über ein Ereignis, ein Produkt oder ein Konzept denkt und geeignete Maßnahmen ergreifen.

Die Informationen, die im Text gespeichert sind, ermöglichen die Berechnung eines Indikators zum Beispiel negativ, neutral oder positiv. Dieser Indikator kann als Signal für Entscheidungsträger dienen. Parteien nutzen Ergebnisse von Sentiment Analysis regelmäßig in Wahlkämpfen.

Sentiment Analysis showing emotional language diagram on screen @L-One_Systems
Die kontext-basierte Auswertung von Texten kann subjektive Informationen im Quellmaterial identifizieren und interpretieren. Einem Unternehmen kann dies helfen, die soziale Stimmung für seine Marke, sein Produkt oder seine Dienstleistung zu verstehen.

Sentiment Analysis ist für verschiedene Bereiche der Gesellschaft relevant

In der kommerziellen Anwendung kann Sentiment Analysis Online-Empfehlungen sowohl für Kunden als auch für Händler bereitstellen. Einerseits können die Benutzerpräferenzen, die die Daten offenbaren, E-Commerce-Plattformen bei der Analyse ihrer Produkte und Dienstleistungen helfen. Andererseits ist es aufgrund der virtuellen Natur des Online-Shoppings nicht einfach, eine Ware umfassend und objektiv zu verstehen und herauszufinden, ob Verbraucher bereit sind, sich über die Kommentare oder Meinungen anderer Verbraucher zu informieren.

Die massive Nachfrage nach politischen Informationen kann als ein weiterer wichtiger Faktor angesehen werden, der Sentiment-Analysis-Anwendungen vorantreibt. Bei der Analyse von Tweets vor den Wahlen zum Europäischen Parlament haben Forscher über einen Zeitraum von zwei Wochen (1. bis 14. Mai 2014) mehr als 1,2 Millionen Nachrichten auf Twitter in drei Sprachen (Englisch, Deutsch und Französisch) gesammelt.

Bei englischsprachigen Nachrichten verhalten sich 39 % der Aussagen auf Twitter negativ gegenüber der Europäischen Union (EU), verglichen mit 30 % mit einer neutralen und 31 % mit einer positiven Tendenz
Öffentliche Sicherheit, gesellschafts­politische Ereignisse wie der Arabische Frühling und Unruhen in London zeigen anschaulich, welche Bedeutung der Stimmungsanalyse für die öffentliche Sicherheit zukommt.

»Wie wir Sentiment-Analysis-Projekte bei L-One Systems betrachten? Wir finden den richtigen Untersuchungsaufbau, um diejenigen Lösungen zu generieren, die unsere Kunden zur Lösung ihres Problems benötigen.«

Sarah Holschneider, Head of NLP bei L-One

Zusammenfassend lässt sich sagen, dass Einsichten aus der Sentiment Analysis nicht nur für Verbraucher und Unternehmen an Bedeutung gewinnen, wenn Meinungen über Produkte oder Dienstleistungen gesammelt werden, sondern auch eine gewichtige Rolle für die nationale Sicherheit und die Analyse der öffentlichen Meinung spielen kann.

Arten der Sentiment Analysis

Sentiment Analysis nimmt verschiedene Formen an, beginnend mit Modellen, die sich auf die Polarität konzentrieren (positiv, negativ, neutral), bis hin zu solchen, die Gefühle und Emotionen erkennen (wütend, glücklich, traurig, …), oder sogar Modelle, die Absichten identifizieren (interessiert vs. nicht interessiert).

Einige der beliebtesten Arten sind die feinkörnige Sentiment Analysis, die Emotionserkennung sowie die aspektbasierte Sentiment Analysis.

Feinkörnige Sentiment Analysis

Wenn es auf Genauigkeit bei der Polarität ankommt, können die Polaritätskategorien erweitert werden:

Um die vorherrschenden Emotionskategorien besser zu identifizieren, kann eine feinkörnige Stimmungsanalyse auf einer aggregierten Ebene präzisere Ergebnisse liefern als eine grobe Klassifizierung der Stimmungen in positiv, neutral oder negativ

Die feinkörnige Stimmungsanalyse kann für die Interpretation von 5-Sterne-Bewertungen, zum Beispiel bei einer Rezension verwendet werden:

    • Sehr positiv = 5 Sterne
    • Sehr negativ = 1 Stern

Eine feinkörnige Sentiment Analysis kann präzisere Ergebnisse für ein automatisiertes System liefern, das die Bearbeitung von Kundenbeschwerden priorisiert. Außerdem können zweipolige Sätze wie: „Der Ort war wirklich ekelhaft … aber die Leute dort waren herrlich.” binäre Sentiment-Klassifikatoren verwirren, was zu falschen Klassenvorhersagen führt.

Emotionserkennung

Wie der Name schon sagt, zielt die Emotionserkennung darauf ab, Gefühle wie Glück, Frustration, Wut, Traurigkeit und weitere zu erkennen. Viele Emotionserkennungssysteme verwenden Lexika – Listen von Wörtern und die von ihnen vermittelten Emotionen – oder komplexe maschinelle Lernalgorithmen.

Beispiele für emotionale Aussagen:

Ich liebe es einfach.
Dieser Film erschreckt mich zu Tode!

Einer der Nachteile der Verwendung von Lexika ist, dass Menschen ihre Gefühle auf unterschiedliche Weise ausdrücken. Einige Wörter, die typischerweise Wut ausdrücken, zum Beispiel „schlecht“ oder „töten“ („Ihr Produkt ist so schlecht, Ihr Kundensupport bringt mich um!“), können manchmal Freude ausdrücken („Das ist nicht schlecht kalkuliert.“ „Sie helfen immer todsicher!“).

Aspektbasierte Sentiment Analysis

Wer die Stimmung von Texten analysiert, zum Beispiel von Produktrezensionen, möchte in der Regel wissen, welche Aspekte oder Merkmale die Rezensenten positiv, neutral oder negativ bewerten. Hier kann die aspektbasierte Stimmungsanalyse helfen. Ein Merkmal oder ein Aspekt ist dabei ein Attribut oder eine Komponente der Entität: 

Das Essen war großartig, aber der Service war furchtbar. Die Merkmale: [Essen, Service] für die Entität: Restaurant.

Dieses Problem beinhaltet Teilprobleme wie das Identifizieren relevanter Entitäten, das Extrahieren ihrer Merkmale oder Aspekte und das Festlegen, ob eine zu jedem Aspekt oder Merkmal geäußerte Meinung positiv, negativ oder neutral ist. 

Grundsätzlich müssen bei der aspektbasierten Analyse explizite Aspektausdrücke gefunden werden, bei denen es sich normalerweise um Substantive und Substantivphrasen aus dem Text einer bestimmten Domäne handelt. Diese Substantive und weitere Wortarten können mit einem Part-of-Speech-Tagger (POS) identifiziert werden.

Methoden und Herausforderungen

Wie Sentiment Analysis funktioniert, welche Methoden und Algorithmen dabei zum Einsatz kommen, und welche Herausforderungen bestehen, erfährst du hier – jetzt weiterlesen.

Über den Autor:
Rashed Sabra schließt derzeit ein Masterstudium in Big Data Systems ab und forscht im Bereich Natural Language Processing. Er hat einen Bachelor-Abschluss in Künstlicher Intelligenz. Im Jahr 2020 trat er dem L-One Team bei und arbeitet seitdem an einem Projekt zur Entwicklung einer Plattform für eine Mensch-Maschine-Schnittstelle (HRI).

Links & Quellen

› Wie du das Potenzial von Daten richtig nutzt, erfährst du auf unserer Seite über Natural Language Processing.

› Yue, L., Chen, W., Li, X., Zuo, W., Yin, M., A survey of sentiment analysis in social media algorithms, Knowledge and Information Systems, 2018.

› Al-Amrani, Y., Lazaar, M., Elkadiri, K., Sentiment Analysis using supervised classification, Association for Computing Machinery, 2017.

› MonkeyLearn, Sentiment Analysis: A Definitive Guide

› P. Rao, Fine-grained Sentiment Analysis in Python (Part 1), 2019

› S. Meena, Your Guide to Sentiment Analysis, Medium.com, 2019