Sentimentanalyse, auch bekannt als Meinungs-Mining, ist die Verwendung von natürlicher Sprachverarbeitung, Textanalyse, Computerlinguistik und Biometrie, um affektive Zustände und subjektive Informationen systematisch zu identifizieren, zu extrahieren, zu quantifizieren und zu untersuchen. Sie wird häufig auf Voice-of-the-Customer-Materialien wie Bewertungen und Umfrageantworten, Online- und soziale Medien sowie Gesundheitsmaterialien angewendet, für Anwendungen, die von Marketing über Kundenservice bis hin zur klinischen Medizin reichen. Mit dem Aufkommen tiefer Sprachmodelle wie RoBERTa können auch schwierigere Datendomänen analysiert werden, z. B. Nachrichtentexte, in denen Autoren ihre Meinung/Stimmung typischerweise weniger explizit ausdrücken.
Arten der Sentimentanalyse
Eine grundlegende Aufgabe der Sentimentanalyse ist die Klassifizierung der Polarität eines gegebenen Textes auf Dokument-, Satz- oder Merkmals-/Aspektebene - ob die geäußerte Meinung positiv, negativ oder neutral ist. Fortgeschrittene, „über die Polarität hinausgehende" Sentimentklassifizierung betrachtet emotionale Zustände wie Freude, Wut, Ekel, Traurigkeit, Angst und Überraschung.
Vorläufer der Sentimentanalyse sind der General Inquirer, der Hinweise zur Quantifizierung von Mustern in Texten lieferte, sowie psychologische Forschung, die den psychologischen Zustand einer Person anhand der Analyse ihres verbalen Verhaltens untersuchte. Anschließend befasste sich ein in einem Patent von Volcani und Fogel beschriebenes Verfahren speziell mit Sentiment und identifizierte einzelne Wörter und Phrasen in Bezug auf verschiedene emotionale Skalen. Ein aktuelles System, das auf ihrer Arbeit basiert und EffectCheck heißt, präsentiert Synonyme, die verwendet werden können, um das Niveau der hervorgerufenen Emotion auf jeder Skala zu erhöhen oder zu verringern.
Viele spätere Bemühungen waren weniger ausgefeilt und verwendeten eine bloße polare Sichtweise des Sentiments, von positiv bis negativ, wie die Arbeiten von Turney und Pang, die verschiedene Methoden zur Erkennung der Polarität von Produktbewertungen bzw. Filmbewertungen anwendeten. Diese Arbeit erfolgt auf Dokumentebene. Man kann die Polarität eines Dokuments auch auf einer mehrstufigen Skala klassifizieren, wie von Pang und Snyder unter anderem versucht: Pang und Lee erweiterten die grundlegende Aufgabe, eine Filmkritik als entweder positiv oder negativ zu klassifizieren, um Sternebewertungen auf einer 3- oder 4-Sterne-Skala vorherzusagen, während Snyder eine eingehende Analyse von Restaurantbewertungen durchführte und Bewertungen für verschiedene Aspekte wie Essen und Atmosphäre (auf einer Fünf-Sterne-Skala) vorhersagte.
Erste Schritte zur Zusammenführung verschiedener Ansätze - lernbasiert, lexikalisch, wissensbasiert - wurden im 2004 AAAI Spring Symposium unternommen, wo Linguisten, Informatiker und andere Forscher erstmals Interessen abstimmten und gemeinsame Aufgaben und Benchmark-Datensätze für systematische computergestützte Forschung zu Affekt, Anziehungskraft, Subjektivität und Sentiment in Texten vorschlugen.
Neutrale Klasse und Skalierungssysteme
Obwohl in den meisten statistischen Klassifizierungsmethoden die neutrale Klasse unter der Annahme ignoriert wird, dass neutrale Texte nahe der Grenze des binären Klassifikators liegen, schlagen mehrere Forscher vor, dass drei Kategorien identifiziert werden müssen. Es kann nachgewiesen werden, dass bestimmte Klassifikatoren wie Max Entropy und SVMs von der Einführung einer neutralen Klasse profitieren und die Gesamtgenauigkeit verbessern können. Es gibt zwei Möglichkeiten, mit einer neutralen Klasse zu arbeiten: Entweder identifiziert der Algorithmus zunächst neutrale Sprache, filtert sie heraus und bewertet dann den Rest hinsichtlich positiver und negativer Stimmungen, oder er baut eine Drei-Wege-Klassifizierung in einem Schritt auf. Der zweite Ansatz beinhaltet oft die Schätzung einer Wahrscheinlichkeitsverteilung über alle Kategorien (z. B. naive Bayes-Klassifikatoren, wie sie vom NLTK implementiert werden). Ob und wie eine neutrale Klasse verwendet wird, hängt von den Daten ab: Wenn die Daten klar in neutrale, negative und positive Sprache gruppiert sind, ist das Herausfiltern neutraler Sprache sinnvoll; wenn die Daten größtenteils neutral mit kleinen Abweichungen sind, würde diese Strategie es erschweren, zwischen den beiden Polen zu unterscheiden.
Eine andere Methode zur Bestimmung des Sentiments ist die Verwendung eines Skalierungssystems, bei dem Wörter, die üblicherweise mit negativem, neutralem oder positivem Sentiment assoziiert werden, eine Zahl auf einer Skala von -10 bis +10 (am negativsten bis am positivsten) oder von 0 bis zu einer positiven Obergrenze wie +4 erhalten. Dies ermöglicht eine Anpassung des Sentiments relativ zu seiner Umgebung (normalerweise auf Satzebene). Wenn unstrukturierter Text mit natürlicher Sprachverarbeitung analysiert wird, erhält jedes Konzept eine Punktzahl basierend darauf, wie sich Sentimentwörter darauf beziehen. Wörter, die das Sentiment verstärken, abschwächen oder negieren, können die Punktzahl beeinflussen. Alternativ können Texte positive und negative Sentimentstärke-Scores erhalten, wenn das Ziel darin besteht, das Sentiment in einem Text zu bestimmen und nicht die Gesamtpolarität.
Andere Arten umfassen aspektbasierte Sentimentanalyse, abgestufte Sentimentanalyse (positiv, negativ, neutral), mehrsprachige Sentimentanalyse und die Erkennung von Emotionen.
Subjektivitäts- und Objektivitätsidentifikation
Diese Aufgabe wird üblicherweise als Klassifizierung eines gegebenen Textes (normalerweise eines Satzes) in eine von zwei Klassen definiert: objektiv oder subjektiv. Dieses Problem kann manchmal schwieriger sein als die Polaritätsklassifizierung. Die Subjektivität von Wörtern und Phrasen kann vom Kontext abhängen, und ein objektives Dokument kann subjektive Sätze enthalten (z. B. ein Nachrichtenartikel, der Meinungen von Personen zitiert). Wie von Su erwähnt, hängen die Ergebnisse weitgehend von der Definition von Subjektivität ab, die bei der Annotation von Texten verwendet wird. Pang zeigte jedoch, dass das Entfernen objektiver Sätze aus einem Dokument vor der Klassifizierung seiner Polarität die Leistung verbesserte.
Subjektivitäts- und Objektivitätsidentifikation sind aufkommende Teilaufgaben, die syntaktische, semantische Merkmale und maschinelles Lernwissen verwenden, um zu identifizieren, ob ein Satz oder Dokument Fakten oder Meinungen enthält. Das Bewusstsein für die Erkennung von Fakten und Meinungen ist nicht neu und wurde möglicherweise erstmals von Carbonell an der Yale University im Jahr 1979 vorgestellt.
Der Begriff objektiv bezieht sich auf das Ereignis, das faktische Informationen trägt. Beispiel: „Um zum Präsidenten der Vereinigten Staaten gewählt zu werden, muss ein Kandidat mindestens fünfunddreißig Jahre alt sein." Der Begriff subjektiv beschreibt das Ereignis, das nicht-faktische Informationen in verschiedenen Formen enthält, wie persönliche Meinungen, Urteile und Vorhersagen.
Anwendungen und Herausforderungen
Sentimentanalyse wird in der Wirtschaft häufig zur Überwachung der Markenreputation, zur Analyse von Kundenfeedback und zur Information der Produktentwicklung eingesetzt. Im Gesundheitswesen kann sie patientenberichtete Ergebnisse oder soziale Medien für die Überwachung der öffentlichen Gesundheit analysieren. In der Politik kann sie die öffentliche Meinung zu Kandidaten oder Politiken messen.
Zu den Herausforderungen gehören der Umgang mit Sarkasmus, Ironie und kontextabhängigem Sentiment. Deep-Learning-Modelle, insbesondere Transformatoren und große Sprachmodelle, haben die Leistung in komplexen Domänen verbessert. Selbst fortgeschrittene Modelle haben jedoch Schwierigkeiten mit nuancierten Ausdrücken. Forscher entwickeln weiterhin Methoden für aspektbasierte Sentimentanalyse und Emotionserkennung, die oft maschinelles Lernen und Deep Learning-Techniken nutzen.
Zukunftsrichtungen
Mit dem Fortschritt der künstlichen Intelligenz bewegt sich die Sentimentanalyse in Richtung feinkörnigerer und multimodaler Analyse, die audio-, visuelle und textuelle Hinweise einbezieht. Die Integration von neuronalen Netzen und generativen KI-Modellen verspricht, das Verständnis menschlicher Affekte zu verbessern. Ethische Überlegungen wie Datenschutz und Verzerrung bleiben wichtige Schwerpunkte. Das Feld entwickelt sich weiter mit Beiträgen von akademischen Institutionen wie MIT CSAIL und Stanford AI Lab sowie Industriepraxen wie Google DeepMind und OpenAI.