Bei der Sentimentanalyse (auch Stimmungserkennung) werden individuelle Meinungstexte hinsichtlich der positiven oder negativen Haltung ihres Verfassers gegenüber Produkten, Leistungen und Erlebnissen maschinell klassifiziert.
Als Untergebiet des Text Minings ist die Sentimentanalyse als binäres Klassifikationsproblem zu verstehen. Ob auf Dokumenten-, Satz- oder Objekt- und Eigenschaftsebene zwischen positiver oder negativer Meinung unterschieden wird, hängt vom jeweiligen Anwendungsfall ab (Liu, 2012). Während auf Dokumentebene für z. B. einen Bewertungskommentar (ein sogenanntes Dokument) eine Gesamtentscheidung getroffen werden muss, ob dieser als positiv oder als negativ klassifiziert wird, ist das Analyseresultat auf Satzebene wesentlich differenzierter. Da Dokumente sowohl positive als auch negative Äußerungen in Sätzen enthalten können, ermöglicht dieser Granularitätsgrad ein ganzheitlicheres Stimmungsbild. Noch facettenreicher gestaltet sich die Sentimentanalyse auf Objekt- und Eigenschaftsebene, wofür die bewerteten Aspekte von Produkten, Leistungen oder Erlebnissen zusammen mit ihren wertenden Ausdrücken mittels Text Mining Methoden extrahiert werden, bevor sie nach positiven oder negativen Eigenschaften gruppiert werden (vgl. Toolkit von Nasim und Haider, 2017).
Ansätze der Sentimentanalyse
Dabei haben sich zwei grundlegende Vorgehensweisen zur Textklassifikation etabliert: Lexikonbasierte Ansätze und/oder Maschinelles Lernen.
Im Gegensatz zur Emotionsanalyse (hinsichtlich Wut, Freude etc.) geht es bei der Sentimentanalyse nur um eine Polaritätserkennung. Es wird lediglich zwischen positiver, negativer und evtl. neutraler Stimmung unterschieden. Hierfür müssen Indikatoren im Text identifiziert werden, welche Rückschlüsse auf das sogenannte Sentiment zulassen. Dabei handelt es sich um sprachspezifische Ausdrücke, die aufgrund ihrer Wortbedeutung bereits positiv oder negativ vorbelegt sind. Diese Information lässt sich sogenannten Sentimentlexika der jeweiligen Sprachen entnehmen (Baccianella et al., 2010; Remus et al., 2010). In Ergänzung zum elektronischen Standardlexikon einer bestimmten Sprache werden stimmungstragende Ausdrücke – häufig Adjektive – als solche gekennzeichnet. Meist wird von deren kontextunabhängigen Polaritätsausprägung ausgegangen, die binär (positiv/negativ bzw. +/-) oder verhältnisskaliert (z. B. SentiWordNet) kodiert wird. Dabei berücksichtigen lexikonbasierte im Gegensatz zu datengetriebenen Verfahren (De Clercq et al., 2017; López und Arco, 2019) selten die Kontext- oder Domänenabhängigkeit wertender Ausdrücke, die kontextsensitiv ihre Polarität umkehren können (z. B. „gruselig” ist per se negativ konnotiert, aber ist für einen Horrorfilm ein positives Werturteil). In Kombination mit entsprechenden sprachspezifischen Regeln zur Verstärkung (z. B. „sehr” + gut), Abschwächung (z. B. „weniger”+ gut) und Negation (z. B. „nicht” + gut) von Aussagen lassen sich detaillierte Meinungsbilder automatisiert aus Texten ableiten (Kennedy und Inkpen, 2006).
Im Unterschied zum Maschinellen Lernen können lexikonbasierte Verfahren (Taboada et al. 2011) für Bereiche eingesetzt werden, für die keine Trainingsdaten existieren. Auch können hierbei kontextbedingte Ambivalenzen und andere sprachliche Konstrukte leichter berücksichtigt werden, da linguistische Aspekte eines Textes in Betracht gezogen werden können. Da es sich bei der Sentimentanalyse um die Lösung eines Klassifikationsproblems handelt, kommt fast jeder (un)überwachte oder semi-überwachte Maschinelle Lernansatz in Frage (z. B. Brody und Elhadad, 2010; Tang et al., 2016; Do et al., 2019), der bereits als sogenannter Textklassifikator erfolgreich eingesetzt wurde. Methoden des maschinellen Lernens sind in der Sentimentanalyse im Hinblick auf die Genauigkeit und Präzision der Klassifizierung meist effektiver als die lexikonbasierten Ansätze (Do et al., 2019). Bei den Methoden des maschinellen Lernens ist es allerdings schwierig, Verbesserungen durch konkrete Berücksichtigung von kontextbedingten Ambivalenzen zu erreichen, da diese zu einem gewissen Grad schon in den Funktionen des Klassifikators enthalten sind. Dieser Effekt kann auftreten, wenn in den Trainingsdaten Kombinationen von Wörtern enthalten sind, welche kontextsensitiv bipolar sind.
Literatur
Baccianella, S.; Esuli, A.; Sebastiani, F.: SentiWordNet 3.0: An Enhanced Lexical Resource for Sentiment Analysis and Opinion Mining“. In: Proceedings of the 7th LREC. LREC 2010. Bd. 10. ELRA. Valletta, Malta, 2010, S. 2200–2204.
Brody, S.; Elhadad, N.: An Unsupervised Aspect-sentiment Model for Online Reviews“. In: Proceedings of the 2010 Conference of the North American Chapter of the ACL: Human Language Technologies. NAACL-HLT 2010. ACL. Los Angeles, CA, USA, 2010, S. 804–812.
De Clercq, O.; Lefever, E.; Jacobs, G.; Carpels, T.; Hoste, V.: Towards an Integrated Pipeline for Aspect-based Sentiment Analysis in Various Domains. In: Proceedings of the 8th ACL Workshop on Computational Approaches to Subjectivity, Sentiment and Social Media Analysis. WASSA 2017. ACL. Kopenhagen, Dänemark, 2017, S. 136–142.
Do, H. H.; Prasad, P. W. C.; Maag, A.; Alsadoon, A.: Deep Learning for Aspect-Based Sentiment Analysis: A Comparative Review. In: Expert Systems with Applications 118 (2019), S. 272–299.
Kennedy, A.; Inkpen, D.: Sentiment Classification of Movie and Product Reviews Using Contextual Valence Shifters. In: Computational Intelligence 22 (2006), Nr. 2, S. 110–125.
Liu, B.: Sentiment Analysis and Opinion Mining. In: Synthesis Lectures on Human Language Technologies 5 (2012), Nr. 1, S. 1–167.
López, D.; Arco, L.: Multi-domain Aspect Extraction Based on Deep and Lifelong Learning. In: Progress in Pattern Recognition, Image Analysis, Computer Vision, and Applications. CIARP 2019. Hrsg. Von I. Nyström, Y. Hernández Heredia und V. Milián Núñez. Bd. 11896. LNCS. Springer. Havana, Kuba, 2019, S. 556–565.
Nasim, Z.; Haider, S.: ABSA Toolkit: An Open Source Tool for Aspect Based Sentiment Analysis. In: International Journal on Artificial Intelligence Tools 26.06 (2017).
Remus, R.; Quasthoff, U; Heyer, G.: SentiWS – A Publicly Available German-language Resource for Sentiment Analysis. In: Proceedings of the International Conference on Language Resources and Evaluation. LREC 2010. Hrsg. von N. Calzolari, K. Choukri, B. Maegaard, J. Mariani, J. Odijk, S. Piperidis, M. Rosner und D. Tapias. ELRA. Valetta, Malta, 2010, S. 1168–1171.
Taboada, M.; Brooke, J.; Tofiloski, M.; Voll, K.; Stede, M. (2011): Lexicon-Based Methods for Sentiment Analysis. Computational linguistics, 37(2), 267-307.
Tang, D.; Qin, B.; Feng, X.; Liu, T.: Effective LSTMs for Target-Dependent Sentiment Classification. In: Proceedings of the 26th COLING. ACL. Osaka, Japan, 2016, S. 3298–3307.
