Opinion Mining (Sentiment Mining)
Beim Opinion Mining wird über die Analyse natürlicher Sprache die Stimmung oder die Einstellung der Öffentlichkeit zu einem bestimmten Produkt erfasst. Beispielsweise lässt sich damit feststellen, ob ein Produkt oder ein Unternehmen eher positiv oder eher negativ betrachtet wird.
Technisch gesehen umfasst Opinion Mining - auch Sentiment Analyse oder Sentiment Mining genannt - den Aufbau einers Systems zur Sammlung und Kategorisierung von Kundenmeinungen zu einem Produkt. Automatisiertes Opinion Mining verwendet häufig maschinelles Lernen, eine Methode der Künstlichen Intelligenz (KI), um Texte nach bestimmten Stimmungen zu untersuchen.
Opinion Mining hilft bei der Bewertung von Kampagnen
Opinion Mining kann in vielerlei Hinsicht nützlich sein. Die Methode kann beispielsweise Vermarktern helfen, den Erfolg einer Kampagne oder einer neuen Produkteinführung zu bewerten. Es kann helfen, festzustellen, welche Versionen eines Produkts oder einer Dienstleistung gut ankommen und identifizieren, welche demografischen Gruppen bestimmte Produkteigenschaften mögen oder nicht mögen.
Zum Beispiel könnte die Bewertung einer Digitalkamera auf einer Website zwar weitgehend positiv sein, aber wenn man ins Detail geht, etwa beim Gewicht, eher negativ. Die Möglichkeit, solche Details systematisch herausfinden liefert dem Anbieter ein viel klareres Bild der öffentlichen Einschätzung als dies Umfragen ermöglichen, da die Daten durch die Kunden selbst generiert wurden.
Herausforderungen bei Opinion Mining
Opinion Mining ist allerdings auch mit mehreren Herausforderungen konfrontiert. Die erste ist, dass ein Wort, das in einer bestimmten Situation positiv erscheint, in einer anderen negativ werden kann. Nehmen Sie zum Beispiel das Wort "lang". Wenn ein Kunde sagt, die Lebensdauer eines Laptop-Akkus ist lang, wäre dies eine positive Meinung. Sagt der Kunde aber, dass die Startzeit des Laptops lang ist, wäre das eine negative Meinung. Diese Unterschiede bedeuten, dass ein Meinungssystem, das darauf trainiert ist, Meinungen zu einer bestimmten Produktart oder einer Produkteigenschaft zu sammeln, bei einem anderen Produkt schlecht abschneiden wird.
Eine zweite Herausforderung besteht darin, dass Menschen ihre Meinungen nicht immer auf die gleiche Art ausdrücken. Die meiste herkömmliche Textverarbeitung beruht auf der Tatsache, dass kleine Unterschiede zwischen zwei Textstücken die Bedeutung nicht großartig ändern. Beim Opinion Mining ist jedoch der Satz "der Film war großartig" ganz anders zu bewerten als "der Film war nicht so toll".
Schließlich können sich Menschen in ihren Aussagen auch widersprechen. Die meisten Bewertungen werden sowohl positive als auch negative Kommentare enthalten, was durch eine sequentielle Analyse der Sätze - einer nach dem anderen - einigermaßen handhabbar ist. Je informeller allerdings ein Medium ist (Twitter Tweets oder Blog-Posts zum Beispiel), umso eher kombinieren die Leute verschiedene Meinungen im selben Satz.
Zum Beispiel ist der Satz: "der Film floppte, obwohl der Hauptdarsteller gut war" für einen Menschen einfach zu verstehen, aber für einen Computer schwierig zu analysieren. Manchmal haben sogar Menschen Schwierigkeiten anhand eines kurzen Textes zu verstehen, was jemand anderer dachte, da der Kontext fehlt. Beispielsweise ist der Satz: "Dieser Film war so gut wie sein letzter" schwer zu verstehen, weil der Zusammenhang fehlt, in dem dieser Satz geäußert wurde.
