Stimmungsbeschreibung eines Artikels durch positiv und negativ klassifizierte Begriffe.

Positive Berichterstattung über eine Mannschaft in einer Kalenderwoche führt zu erfolgreicheren Ergebnissen.

Aus der Berichterstattung über negative Aspekte, wie Verletzungen oder Skandale, können Rückschlüsse auf den Ausgang einer Partie geschlossen werden.

Eine Kombination aus Data Mining und Text Mining führt zu präziseren Ergebnissen, als eine Einzelbetrachtung.

Durch historische Ergebnisse und der Sentimentanalyse lassen sich Trainerentlassungen vorhersagen.

30RSS Feeds

8393Artikel

LIGANEWS

TRANSFER

SKANDAL

VERLETZUNG

MANAGEMENT

REST

0

5

10

15

20

25

30

35

40

45

1 2 3 4 5 6 7 8 9 10111213141516171819202122232425262728293031323334

Verletzung Skandal Zufall

Tweets Preprocessing Text Mining Sentiment

200bewertete Spiele

20Vereine

20.593.365Tweets

33Tweets pro Minute

62%Baseline & Text Mining

42%Text Mining

52%Baseline

seit 12.08.2018

Grüne Linie: BayernGelbe Linie: Dortmund

Anstoß

1:0 BVB

1:1 FCB

Halbzeit

2:1 BVB

2:2 FCB

Elfmeterschießen

6:7 FCB

#HSV-Training ohne Hunt, Jung, Mavraj und Arp.

#Hamburg https://t.co/9AoFRsVGwK

Sergio Gomez - Another Wunderkind for #BVB

Scout report by @ManuelVeth

Read it right HERE ? https://t.co/SeptgfV736

Chelsea’s Ghanaian defender Baba Rahman has

joined Schalke 04 on loan. #cfc #schalke04

https://t.co/4m5Cfb5wWG

RT @amnestypress:

Qatar: Does Bayern Munich know about the conditions

of migrant workers in its Doha winter training camp?

#FCBayern https:…

Arsenal FC will pay #BVB a fixed transfer compensation

in the amount of EUR 63.75 m.

(sixty three million seven hu… https://t.co/JEiDBRFgGO

Schumaker,R;Jarmsozko,T;Labedz,C - Predicting Wins and Spread in the Premier League Using a Sentiment Analysis of Twitter- Decision Support Systems

0

1000

2000

3000

4000

5000

6000

7000

8000

9000

10000

0

0,05

0,1

0,15

0,2

0,25

0,3

0,35

0,4

0,45

0,5

AN

ZA

HL

TWEETS

PR

O T

AG

SEN

TIM

EN

T Sentiment Average - 1. FC Köln

tweet_count 7 Tage Sentiment-Trend

0

1000

2000

3000

4000

5000

6000

7000

8000

9000

10000

0

0,05

0,1

0,15

0,2

0,25

0,3

0,35

0,4

0,45

0,5

AN

ZA

HL

TWEETS

PR

O T

AG

SEN

TIM

EN

T Sentiment Average - 1. FC Köln

tweet_count 7 Tage Sentiment-Trend

EL: Arsenal

3:1 Sieg

Entlassung

P. Stöger

Winterpause

0

500

1000

1500

2000

2500

3000

3500

4000

0

0,1

0,2

0,3

0,4

0,5

0,6

0,7

0,8

Sentiment Average - 1. FC Köln // Borussia Mönchengladbach

Köln Gladbach 4 Periode gleit. Mittelw. (sentiment_avg_köln) 4 Periode gleit. Mittelw. (sentiment_avg_bmg)

0

500

1000

1500

2000

2500

3000

3500

4000

0

0,1

0,2

0,3

0,4

0,5

0,6

0,7

0,8

Sentiment Average - 1. FC Köln // Borussia Mönchengladbach

Köln Gladbach 4 Periode gleit. Mittelw. (sentiment_avg_köln) 4 Periode gleit. Mittelw. (sentiment_avg_bmg)

14.01.2018:

Derbysieg

Köln

20.01.2018:

Sieg HSV

27.01.2018:

Unentschieden FCA

•

•

•

•

•

•

•

Baseline+

Sentiment1

+

Sentiment2

+

Sentiment3

+

Sentiment4

+

Sentiment5

+

Sentiment6

+

Sentiment7

+

Sentiment8

+

SentimentAll

Random Tree Forrest 0,52 0,61 0,47 0,42 0,57 0,45 0,6 0,45 0,48 0,62

Decision Tree 0,45 0,43 0,57 0,52 0,55 0,52 0,5 0,37 0,45 0,5

k-NN 0,43 0,43 0,43 0,3 0,45 0,25 0,35 0,28 0,52 0,57

Gaussian Process 0,41 0,52 0,45 0,33 0,5 0,27 0,58 0,35 0,4 0,55

Naives Bayes 0,42 0,25 0,26 0,28 0,25 0,27 0,25 0,28 0,33 0,28

0

0,1

0,2

0,3

0,4

0,5

0,6

0,7

0,8

0,9

1

Vergleich der Algorithmen

Baseline+

Sentiment1

+

Sentiment2

+

Sentiment3

+

Sentiment4

+

Sentiment5

+

Sentiment6

+

Sentiment7

+

Sentiment8

+

SentimentAll

Random Tree Forrest 0,52 0,61 0,47 0,42 0,57 0,45 0,6 0,45 0,48 0,62

Decision Tree 0,45 0,43 0,57 0,52 0,55 0,52 0,5 0,37 0,45 0,5

k-NN 0,43 0,43 0,43 0,3 0,45 0,25 0,35 0,28 0,52 0,57

Gaussian Process 0,41 0,52 0,45 0,33 0,5 0,27 0,58 0,35 0,4 0,55

Naives Bayes 0,42 0,25 0,26 0,28 0,25 0,27 0,25 0,28 0,33 0,28

0

0,1

0,2

0,3

0,4

0,5

0,6

0,7

0,8

0,9

1

Vergleich der Algorithmen

Verein Trainer Entlassungsdatum

Wolfsburg Jonker 18.09.2017

Bayern Ancelotti 28.09.2017

Bremen Nouri 30.10.2017

Köln Stöger 03.12.2017

Hamburg Gisdol 21.01.2018

Stuttgart Wolf 28.01.2018

Verein Trainer Entlassungsdatum

Crystal Palace de Boer 11.09.2017

Leicester Shakespeare 17.10.2017

Everton Koeman 23.10.2017

West Ham Bilic 06.11.2017

West Bromwich Pulis 20.11.2017

Swansea Clement 20.12.2017

Stoke Hughes 06.01.2018

Watford Silva 21.01.2018

www.transfermarkt.de

-1

0

1

-4 -3 -2 -1 0 1 2 3 4 5

Erg

eb

nis

Spieltage

Ergebnisse vor/nach Trainerwechsel

Durchschnitt

0 0,05 0,1 0,15 0,2 0,25 0,3 0,35 0,4 0,45

Random Tree Forrest

Decision Tree

k-NN

Gaussian Process

Naives Bayes

QuadraticDiscriminantAnalysis

AdaBoost

Accuracy on Test Datasets

Stimmungsbeschreibung eines Artikels durch positiv und negativ klassifizierte Begriffe.

Positive Berichterstattung über eine Mannschaft in einer Kalenderwoche führt zu erfolgreicheren Ergebnissen.

Aus der Berichterstattung über negative Aspekte, wie Verletzungen oder Skandale, können Rückschlüsse auf den Ausgang einer Partie geschlossen werden.

Eine Kombination aus Data Mining und Text Mining führt zu präziseren Ergebnissen, als eine Einzelbetrachtung.

Durch historische Ergebnisse und der Sentimentanalyse lassen sich Trainerentlassungen vorhersagen.

7Stunden

44Sprachen

1.388.237 Tweets

52Tweets pro Sekunde

0 100.000 200.000 300.000 400.000 500.000 600.000

SuperBowl

SBLII

FlyEaglesFly

Eagles

GoPats

Patriots

NFL

JustinTimberlake

SuperBowlSunday

PepsiHalftime

SuperBowlLII

Häufigkeit des Hashtags

10.02.2018 tottenham arsenal H

10.02.2018 everton crystalpalace H

10.02.2018 stoke brightonhoves H

10.02.2018 westham watfordfc H

10.02.2018 mancity leicester H

11.02.2018 huddersfield bournemouth A

11.02.2018 newcastleutd manunited A

11.02.2018 southampton fcliverpool A

12.02.2018 chelsea westbrom H