Die Verarbeitung natürlicher Sprache (Natural Language Processing, NLP) , auch bekannt als Stimmungsanalyse, identifiziert die emotionale Grundstimmung eines Textes. Mithilfe dieser Methode können Unternehmen Meinungen zu Produkten, Dienstleistungen und Ideen ermitteln und kategorisieren. Der Prozess umfasst das Extrahieren von Stimmungen und subjektiven Informationen aus Texten mithilfe von Data Mining, maschinellem Lernen (ML) und künstlicher Intelligenz (KI).
Der Einsatz von Systemen zur Stimmungsanalyse ermöglicht Einblicke in unstrukturierte und unorganisierte Texte aus verschiedenen Online-Quellen wie E-Mails, Blogbeiträgen, Tickets, Web-Chats, Social-Media-Kanälen, Foren und Kommentaren. Durch die Implementierung regelbasierter, automatischer oder hybrider Algorithmen wird die manuelle Datenverarbeitung ersetzt. Automatische Systeme lernen mithilfe von Machine-Learning-Verfahren aus den Daten, während regelbasierte Systeme die Stimmung anhand vordefinierter, lexikonbasierter Regeln analysieren. Beide Ansätze werden in der hybriden Stimmungsanalyse kombiniert.
Neben der Bestimmung von Stimmungen kann die Meinungsanalyse auch die Polarität (also das Verhältnis von Positivität und Negativität), das Thema und den Meinungsgeber ermitteln. Darüber hinaus lässt sich die Stimmungsanalyse auf verschiedene Bereiche wie Dokumente, Absätze, Sätze und Untersätze anwenden.
Eine detailliertere Stimmungsanalyse liefert eine präzisere Polaritätsbewertung, die üblicherweise von sehr positiv bis sehr negativ reicht. Auf einer 5-Sterne-Skala lässt sich dies mit einer Meinungsbewertung vergleichen.
Im Gegensatz zu Positivität und Negativität identifiziert die Emotionserkennung spezifische Emotionen. Einige Beispiele hierfür sind Freude, Frustration, Schock, Wut und Traurigkeit.
Neben der Erkennung von Meinungen erfasst die absichtsbasierte Analyse auch die hinter einem Text steckenden Handlungen. Wenn ein Kunde beispielsweise in einem Kommentar seine Frustration über den Batteriewechsel zum Ausdruck bringt, kann der Kundendienst Kontakt aufnehmen, um das Problem zu lösen.
Bei der aspektbasierten Analyse werden spezifische Komponenten erfasst, die positiv oder negativ erwähnt werden. Beispielsweise könnte ein Kunde die Akkulaufzeit eines Produkts kritisieren. In diesem Fall meldet das System, dass sich die negative Bewertung nicht auf das Produkt als Ganzes, sondern auf die Akkulaufzeit bezieht.
Die größte Herausforderung bei der Stimmungsanalyse liegt in ungenauen Trainingsmodellen. Systeme interpretieren häufig Kommentare falsch, die objektiv oder neutral sind. Beispielsweise würde ein Kommentar wie „Das Produkt ist blau“, der einen Artikel in der falschen Farbe erhält, als neutral gewertet, obwohl er negativ zu bewerten wäre.
Wenn ein System Kontext oder Tonfall nicht versteht, kann dies die Stimmungsanalyse erschweren. Fehlt der Kontext, können Antworten wie „nichts“ oder „alles“ je nach Fragestellung als positiv oder negativ interpretiert werden. Zudem lassen sich Ironie und Sarkasmus nicht gezielt trainieren und können zu falschen Stimmungszuschreibungen führen.
Ähnlich verhält es sich mit Computerprogrammen: Sie haben oft Schwierigkeiten, wenn sie auf Emojis und irrelevante Informationen stoßen. Daher ist es wichtig, Modelle mit neutralen Daten und Emojis zu trainieren, um Fehlklassifizierungen von Texten zu vermeiden.
Bei der Stimmungsanalyse sowie der Meinungsforschung werden Algorithmen der natürlichen Sprachverarbeitung (NLP) und des maschinellen Lernens eingesetzt, um den emotionalen Tonfall von Online-Konversationen automatisch zu beurteilen.
Sentimentanalysemodelle können mit einer Vielzahl von Algorithmen implementiert werden, je nachdem, wie viele Daten analysiert werden müssen und wie genau das Modell sein soll.
Es gibt drei Haupttypen von Algorithmen zur Stimmungsanalyse: