scopeKM: Opinion Mining – finden die Meinung jenseits von Stimmungen

scopeKMKnowledge Management

„Was sagt uns der Kunde eigentlich?“

Opinion Mining – finden die Meinung jenseits von Stimmungen


-2-Opinion Mining – finden die Meinung jenseits von Stimmungen

Die Herausforderungen Opinion Mining und Stimmungsanalyse

Die Abgrenzung

Die Ausbreitung von Social Media hat den Stakeholdern � den Kunden, Mitarbeitern, Aktion�ren und Zulieferern � einerseits eine nie da gewesene M�glichkeit geschaffen, ihre Meinung bez�glich der Leistungen und dem Auftritt von Firmen zu �ussern, anderseits aber auch ernsteM�ngel offenbart, wenn man dieSinnhaftigkeit dieser �usserungen betrachtet. Zur gleichen Zeit ist die Dringlichkeit, in Echtzeit das Verst�ndnis der Meinungen zu gewinnen stark gewachsen: der virale Charakter von SocialMedia bewirkt ungleiche Verteilung derAufmerksamkeit und schnelle Verbreitung von Meinungen und Stimmungen.

Zur gleichen Zeit ist die schiere Menge anRohdaten auch die Gelegenheit, die ge�usserten Meinungen besser zu nutzen.Sprichw�rtlich ist die Aussage, dass derSchl�sselfaktor des Erfolgs von Google nicht die besseren Algorithmen sind, sondern die Macht der verf�gbaren Datenmenge. Die Informations�berflutungmuss daher nicht zu einem Problem sondern kann auch zu einer Chance werden, wenn man den tausenden von Stimmen einen Sinn gibt und die Probleme identifiziert, sobald sie entstehen.

Das Opinion Mining (OM) kann alsTeildisziplin der Computerlinguistikdefiniert werden, die sich mit der

Extraktion von Meinungs�usserungen aus unterschiedlichsten Quellen befasst. Bei einem gegebenen Text analysiert dann das OM-System:

� Welcher Teil des Textes als Meinungs�usserung gilt

� Wer diese �usserung schriebund

� Was kommentiert wird.

Die Stimmungsanalyse, auf der anderenSeite, beurteilt die Subjektivit�t, die Polarit�t (positiv oder negativ) und Polarit�tsst�rke (schwach positiv, leicht positiv, stark positiv etc.) eines Textes:

� Welche Stimmungen wurden bei dem Textverfasser evoziert.

Die Evolution von Opinion Mining – von den Keywords zu den Concepts

Die zurzeit angewandten Ans�tze k�nnenin vier Hauptkategorien gruppiert werden: Keyword Spotting, lexikalische Affinit�t, statistische Methoden und konzept-basierte Techniken.



Keyword Spotting

Obwohl als der naivste Ansatz, machen die Einfachheit und der kleine mit ihm verbundene Einsatz das Keyword Spottingbeliebt. Durch das Auffinden von eindeutigen Stimmungs- oder Affektwörtern wie glücklich, traurig, ängstlich und gelangweilt klassifiziert der Ansatz den Text in bestimmte Affekt-Kategorien. Als Quellen für solche Wörterwerden sog. Affektivlexika benutzt, die die Begriffe nach affektiven Kategorien gruppieren.

Keyword Spotting hat Schwächen insbesondere in zwei Bereichen: die negativen Affekte können als solche nichteindeutig erkannt werden, und die Methode beruht oft auf oberflächlichen Merkmalen. Zwar kann ein Satz wie „Heute war ein gelungener Tag“ korrekt als positiv bewertet werden, die gleiche positive Bewertung bekommt aber auch der Satz „Der heutige Tag war nicht gänzlich gelungen“. Zudem basiert Keyword Spotting auf dem Auffinden von allzu offensichtlichen Wörtern, die nur die Oberflächenmerkmale des eigentlich Gemeinten widerspiegeln. Vielfach aberwerden die Affekte eines Satzes eher durch seine Bedeutung als durch Adjektive eingefangen. Zum Beispiel der Text "Mein Mann hat gerade die Scheidung eingereicht und hat auch das Sorgerecht für meine Kinder beantragt" evoziert sehr starke Emotionen ohne dazu Affekt-Keywords zu verwenden – die Methode wird hier also unwirksam.

Lexikalischen Affinität

Lexikalische Affinität ist etwasanspruchsvoller als Keyword Spotting. Der

Ansatz erkennt nicht nur die offensicht-lichen Affekt-Wörter, sondern es werden auch anderen Wörtern ihre wahrschein-liche "Affinität" zu bestimmtenEmotionen zugewiesen. Zum Beispiel weist der Ansatz dem Wort "Unfall" eine 75%-tige Wahrscheinlichkeit zu, einen negativen Ereignis zu indizieren, z.B. "Autounfall" oder „durch einen Unfall verletzt“. Es ergeben sich aber für diesen Ansatz zwei Hauptprobleme. Als erstes, mit Negativsätzen („Ich vermied einen Unfall“) oder Sätzen mit zweideutigenBedeutungen („Ich traf meine Freundinzufällig“) wird die Methode ausgetrickst, weil deren Anwendung ausschliesslich auf Wortebene erfolgt. Zweitens, bedingdurch den Jargon der Quelle t sind die Ergebnisse der Methode häufig fach- oder sachtypisch. Dies macht es schwierig, ein wiederverwendbares, domain-unabhängiges Modell zu entwickeln.

Statistische Methoden

Dieser Ansatz, der die Bayes-Inferenz und Support-Vektor-Maschinen umfasst, wird sehr häufig zur Klassifikation von Stimmungen beinhaltenden Texten eingesetzt. Durch das Einspeisen eines automatisch lernenden Systems mit einer durch Stimmungen annotierten und zum Trainigszweck eingesetzten Text-sammlung lernt das System nicht nur die affektive Wertigkeit der Keywords (wie bei dem Ansatz Keyword Spotting), sondern es werden berücksichtigt sowohl die Wertigkeit anderer Wörter (ähnlich zu der Methode der lexikalischen Affinität), als auch die Satzzeichen und die Frequenz der gemeinsam auftretenden Wörter.

Im Allgemeinen gelten aber diestatistischen Methoden als semantischschwach, was zur Folge hat, dass – mit



Ausnahme ihrer Verwendung im Zusammenhang mit Stimmungen – die anderen Elemente nur wenig zu Vorher-sagen beitragen können. Als geeignet gelten die statistisch klassifizierten Texte nur für ausreichend grosse Textsammlungen.

Konzept-basierte Ansätze.

Zur Textanalyse werden hierbei die WebOntologien oder semantischen Netzeverwendet. Damit wird gewährleistet, dass die mit der natürlichen Spracheverbundenen konzeptionellen undaffektiven Informationen erfasst werden. Die Nutzung breiter Wissensbasen ermöglicht den entscheidenden Schritt weg von der blinden Verwendung von Keywords oder dem Zählen dergemeinsam auftretenden Wörter (co-occurrence) hin zu dem Konzept der impliziten Bedeutung bzw. den impliziten Eigenschaften, die mit der natürlichen Sprache assoziiert werden. Der konzept-basierte Ansatz ist den rein syntaktischenTechniken weit überlegen, da er geeignet ist, auch subtil ausgedrückte Stimmungenzu erkennen.

Konzept-basierte Ansätze sind geeignet, auch Ausdrücke, die aus mehreren Wörtern bestehen und die nicht explizit Stimmungen sondern Faktenvermitteln, zu analysieren. Der konzeptbasierte Ansatz stützt sich stark auf die Tiefe und Breiteder verwendeten Wissensbasis. Ohne diese das menschliche Wissen umfassende Ressource könnte das Opinion MiningSystem nicht die Semantik der natürlichen Sprache erfassen. Auf der anderen Seite aber schränkt der Charakter der Wissensbasis, d.h. die Tatsache, dass sievielfach nur die typischenKonzeptinformationen beinhaltet, etwas

ihre Fähigkeit die semantischen Nuancenzu behandeln.

Unser Lösungsansatz –die Opinion Mining Skill CartridgeTM

Die Grundlagen

Unsere Lösung kombiniert die beschriebenen Ansätze auf der inhaltlichen und syntaktischen Ebene. Die Opinion Mining Skill CartridgeTM

(OMSCTM) identifiziert und qualifiziert evaluative Ausdrücke im Text (Quelle) durch Aufdeckung von subjektive Informationen vermittelnden sprachlichenZeichen und verknüpft diese mit ihremZiel, wann immer es möglich ist. Die Extraktionen werden nach einer Themenhierarchie klassifiziert, die denInhalt-Snapshots der Dokumenteentspricht.

In der OMSCTM wird die Appraisal Theory(Einschätzungstheorie) angewendet. In der Psychologie geht die Appraisal-Theorie von der Annahme aus, dass Emotionen die Extraktion aus unserer Bewertungen(Einschätzungen, Begutachtungen) von Ereignissen sind, die spezifische Reaktionen bei Menschen verursachen.Wir entscheiden also, wie wir uns in einer Situation fühlen, nachdem wir sie interpretiert und die sie begleitenden Phänomene für uns erklärt haben.

Modellierung der Meinungen

Ein bewertender Ausdruck (appraisal expresion) ist dann eine Texteinheit, die eine wertende Haltung gegenüber einigen Zielen zum Ausdruck bringt. Entscheidend



dabei ist, die Attribute solcher evaluativen Elemente zu finden und zu charakteri-sieren. Die OMSCTM ordnet jedem solchen Ausdruck unterschiedliche Attribute zu. Die Attribute des evaluativen Ausdrucksbeschreiben die folgenden drei Haupt-eigenschaften: den Evaluationstyp, die Polarität und die Intensität (vgl. Abb. 1).

Das Ergebnis der Data Mining auf solche appraisal Expression sind dann sinnvolle und nicht-offensichtliche Einsichten1.

1 Für die Beschreibung der Gesamtlösung vgl. die Präsentation „Chancen und Risiken erkennen“

Abb. 1: Kundespezifisch definierte Schlüsselelemente bei Opinion Mining



Das Attribut „Evaluationstyp“

Das Evaluationstyp-Attribut

Beschreibung Beispiel

Affekt Emotionaler Zustand des Autors

Ich war nie enttäusch von diesem Produkt

Mir gefällt die Bildqualität nicht

Urteil Bewertung der Objekt-Eigenschaften

Die Bildqualität ist wirklich ausserordentlich

Das Produkt ist kostengünstig

Das Attribut „Polarität“ (oder „Tonalität“ bzw. „Orientierung“)

Das Attribut Polarität / Tonalität

Beschreibung Beispiel

Positiv Der Ausdruck hat positive Bedeutung

Es tönt gut!

Negativ Der Ausdruck hat negative Bedeutung

Es ist wirklich zu teuer!

Neutral Der Ausdruck hat keine innere Tonalität, beschreibt aber Wichtigkeit (… es ist entscheidend, …) oder Überraschung (… es ist überraschend, …)

Sie werden überrascht sein.

Unklar, zweideutig Die positive oder negative Tonalität ist vom Kontext (nur das nicht …) und/oder von der übernommenenAnsicht (… es ist strategisch wichtig …) abhängig

Es ist strategisch von grosser Bedeutung, diese Massnahmen zu treffen.



Das Attribut „Intensität“ (bzw. „Stärke“)

Das Evaluationstyp-Attribut

Beispiel

Stark Ich bin sehr enttäusch

Durchschnittlich Ich bin enttäuscht!

Schwach Ich bin etwas enttäuscht!

Die Anwendungen

Als Hauptanwendung von OMSCTM

gilt die Analyse der durch Anwender generierten Inhalte, um Gesamteinsichten zu erhalten und auch die schwachenSignale aus dem st�tigen Informations-fluss wahrzunehmen. Auf diese Art werden die als unstrukturierte Daten geltendenBlogs, CRM-Notizen, Posts in den Forenoder Konsumentenumfragen analysiert, um Trends zu ermitteln, Probleme zu identifizieren oder Vorhersagen �ber k�nftige Verhaltungsweisen abzuleiten.

Die Opinion Mining Skill Cartridge TM kann eingesetzt werden beispielsweise f�r:

� die Feinsteuerung der Angebote durch das Antizipieren des Kundenbedarfs und der Kundenerwartungen

� das Aktualisieren der Kenntnisse derEntwicklungstrends

� das Analysieren von direktenFeedbacks bez�glich der Produkte undDienstleistungen und das Einfangen von Kundenmeinungen

� die Analyse der Medienreaktionen auf das Lancieren neuer Produkte

� das �berwachen von Corporate Image und das Messen der Markenwertezwecks bessere Effizienz der proaktiven Massnahmen

� das Messen der Wirkung von viralen Marketing-Kampagnen, Online-Werbung oder E-Commerce.



Beispiele:

Abb.2: Extraktion von Entitäten und Beziehungen mit der OMSCTM , in Dokumentsicht



Abb. 3: Beziehungen zwischen einzelnen Meinungen. Graphische Darstellung im Knowledge Browser

Business

scopeKM: Opinion Mining – finden die Meinung jenseits von Stimmungen