Ist Sentimentanalyse maschinelles Lernen?

Viele Menschen fragen sich: „Ist Sentiment-Analyse maschinelles Lernen?“ Die kurze Antwort lautet: Ja. Moderne Sentiment-Analyse stützt sich auf Modelle des maschinellen Lernens, um zu analysieren und zu verbessern, wie emotionale Bedeutungen in Texten erkannt werden.

In diesem Artikel erkläre ich, was Sentiment-Analyse ist, was maschinelles Lernen bedeutet und wie beides im Kontext der Kundenerfahrung zusammenwirkt.

Was ist Sentiment-Analyse?

Sentiment-Analyse, auch als Meinungsanalyse bezeichnet, ist der Prozess, eine Zusammenstellung von Texten zu lesen und zu interpretieren, ob der Ton positiv oder negativ ist. Unternehmen verwenden häufig Werkzeuge zur Sentiment-Analyse, um zu verstehen, wie Kunden ihre Marke wahrnehmen oder was Menschen online über ihre Konkurrenz sagen.  

Bei der Sentiment-Analyse werden Textblöcken – etwa einer Kurznachricht oder einer Kundenbewertung – auf Grundlage der einzelnen Wörter, aus denen der Text besteht, negative, neutrale oder positive Werte zugewiesen.

Dazu verwendet Sentiment-Analyse-Software ein Lexikon oder Wörterbuch, um jedes Wort zu identifizieren und zu bewerten. Dieses Wörterbuch wird von Menschen zusammengestellt, die die Wörter manuell gesammelt und jedem eine Bewertung zugewiesen haben. 

Dieser Prozess ist zeitaufwendig und umfangreich, da nicht nur jedes Wort eine eigene Bewertung benötigt, sondern die Bewertungen auch zueinander in Beziehung stehen müssen. Beispielsweise ist „am besten“ besser als „großartig“, und „großartig“ ist besser als „gut“. 

Dieses Lexikon bildet die Grundlage der Sentiment-Analyse. 

Wie funktioniert Sentiment-Analyse?

Es gibt drei Möglichkeiten, eine Sentiment-Analyse von Kunden zu implementieren. Welche davon Sie wählen, hängt hauptsächlich von der Datenmenge ab, die Sie analysieren müssen, und davon, wie genau die Ergebnisse sein sollen. 

Regelbasiert

Regelbasierte Sentiment-Analyse ist eine Methode zur Merkmalsauswahl, die automatisch erfolgt und auf von Menschen festgelegten Regeln basiert. Die Regeln umfassen typischerweise zahlreiche Techniken zur Verarbeitung natürlicher Sprache (NLP) sowie Naive-Bayes-Klassifikatoren. Dieser Ansatz ist schnell, aber äußerst einfach und nicht besonders präzise.

Beispielsweise könnten die Regeln Wörter definieren, die äußerst negativ (schlimmste, schrecklich, hässlich) oder positiv (ausgezeichnet, am besten, wunderschön) sind. Diesen Wörtern wird ein positiver oder negativer Wert zugewiesen. Gibt es mehr positive als negative Wörter, zeigt die Software an, dass der Text eine positive Stimmung vermittelt. Gibt es mehr negative Wörter, weist sie auf eine negative Stimmung hin. Bei einer gleichen Anzahl positiver und negativer Wörter wird der Text als neutral eingestuft.

Wie bereits erwähnt, ist dieser Ansatz schnell, aber nicht besonders differenziert. Er berücksichtigt nichts außer den einfachen Regeln, die auf die Wörter angewendet werden, und achtet weder darauf, wo die Wörter vorkommen, noch darauf, wie sie kombiniert werden. Die Regeln können im Laufe der Zeit geändert werden, aber dadurch ändern sich auch alle bisherigen Ergebnisse. Diese Systeme erfordern viel Anpassung und Wartung.

Automatisch

Automatische Systeme gelten als maschinelles Lernen. Sie verlassen sich bei der Klassifizierung von Stimmungen nicht auf von Programmierern festgelegte Regeln, müssen aber lernen. Beim Training automatischer Systeme lernt das System, bestimmte Wörter und Textkombinationen mit einem bestimmten Merkmal zu verknüpfen. Der Text wird in einen Merkmalsvektor übertragen. Die Maschine kombiniert Merkmale und Merkmalsvektoren, um einen Algorithmus zu generieren und ein Modell für die weitere Verwendung zu erstellen. 

Merkmalsvektoren stellen alle Merkmale und Eigenschaften eines Objekts dar – in diesem Fall Wörter und Ausdrücke. Beim maschinellen Lernen und bei KI in der Sentiment-Analyse von Kunden sind sie für Muster und Algorithmen, die die Daten verarbeiten, unerlässlich. Je mehr Tests also in das System eingespeist werden, desto mehr Merkmale und Merkmalsvektoren erstellt es und desto besser lernt und verfeinert es seinen Algorithmus und sein Sentiment-Analyse-Modell. 

Dieser Prozess kann recht komplex werden und in den Bereich des tiefen Lernens übergehen, bei dem eine Sammlung von Algorithmen und künstlichen neuronalen Netzen zur Datenanalyse eingesetzt wird – als Versuch, den Denkprozess des menschlichen Gehirns nachzuahmen.

Hybrid

Ein hybrider Ansatz kombiniert regelbasierte und automatische Sentiment-Analyse, wobei idealerweise die besten Eigenschaften beider Methoden übernommen und zu einer einzigen Methode zusammengeführt werden. Dieser Ansatz ist in der Regel am genauesten.

Wie Sentimentanalyse und maschinelles Lernen zusammenhängen

Maschinelles Lernen ist ein wichtiger Bestandteil der Sentimentanalyse, aber nicht das Einzige, worauf es ankommt. 

Mithilfe der Verarbeitung natürlicher Sprache können Programmierer beim Erstellen eines Sentimentlexikons und beim Trainieren des Programms für maschinelles Lernen riesige Mengen an Texten und Daten einspeisen. Das Programm wird weiterhin mehr Wörtern Bewertungen zuordnen und dadurch seinen Algorithmus sowie seine Fähigkeit zur Durchführung von Sentimentanalysen und schließlich zur Vorhersage von Stimmungen verbessern. Diese Verbesserungen werden durch Algorithmen des maschinellen Lernens unterstützt.

Die Sentimentanalyse durch maschinelles Lernen muss viele Dinge berücksichtigen, um so genau wie möglich zu sein. Deshalb wird ein Deep-Learning-Modell bevorzugt.

Eine genaue Sentimentanalyse erfordert ein umfassendes Verständnis der Wortarten. Programmierer trainieren das maschinelle Lernen dafür, indem sie jedes Wort als Substantiv, Verb, Adjektiv usw. markieren.

Während das Programm mehr über den Satzbau und darüber lernt, wie Wörter in Sätzen angeordnet und platziert werden, baut es auf seinem grundlegenden Verständnis der natürlichen Sprache auf und verbessert dadurch die Genauigkeit der Klassifizierung. 

Dennoch gibt es viele Hürden, die das maschinelle Lernen bei der Sentimentanalyse vor Herausforderungen stellen. 

Herausforderungen des maschinellen Lernens bei der Sentimentanalyse

Die Sentimentanalyse bringt unabhängig vom verwendeten Modell viele Herausforderungen mit sich.

Sentimentanalyse ist etwas, das wir Menschen ständig durchführen. Jedes Mal, wenn wir eine Nachricht von einem Freund oder einen Tweet von einem Fremden lesen, müssen wir herausfinden, welche Stimmung tatsächlich dahintersteckt. Sind sie sarkastisch? Lustig? Ironisch? 

Für Menschen ist es schwierig, die Bedeutung eines Textes jederzeit zu 100 Prozent korrekt zu erfassen. Wenn wir schon in unserer Muttersprache damit Schwierigkeiten haben, ist es verständlich, dass auch das maschinelle Lernen bei der Sentimentanalyse gewisse Probleme hat. 

Hier sind einige Dinge, die die Sentimentanalyse für das maschinelle Lernen schwierig machen:

Subjektivität

Einige Aussagen sind sachlich und weder positiv noch negativ, aber diese Unterscheidung ist nicht immer einfach. Sehen wir uns zum Beispiel die folgenden beiden Sätze an:

Das Hemd ist blau. 

Das Hemd ist wunderschön.

In diesem Beispiel ist offensichtlich, welcher Satz eine positive Stimmung vermittelt – das Hemd ist wunderschön. Das bedeutet jedoch nicht, dass der erste Satz negativ ist. Der erste Satz ist objektiv. Er stellt eine Tatsache fest – das Hemd ist blau. 

Die Schwierigkeit besteht darin, dass zwei Prädikate manchmal nicht gleichwertig sind. Der zweite Satz, der das Hemd als wunderschön bezeichnet, ist aus Sicht der Sentimentanalyse wichtiger, weil er subjektiv ist. Die zweite Aussage zeigt, wie ein Nutzer über ein Produkt empfindet – und diese Daten können Sie verwenden. 

Tonfall

Der Tonfall gehört zu den schwierigsten Dingen, die Menschen entschlüsseln müssen. Stellen Sie sich also vor, wie schwer das für eine Maschine sein kann. Ob jemand beispielsweise sarkastisch ist, lässt sich anhand eines Textes äußerst schwer feststellen, weil Menschen dabei normalerweise Wörter verwenden, die das Gegenteil ihrer eigentlichen Bedeutung ausdrücken. Zum Beispiel: 

Mein wunderbares Auto ist schon wieder liegen geblieben. Großartig!

Mein Schrottauto ist schon wieder liegen geblieben. 

Beide Sätze vermitteln eine negative Stimmung, aber der erste Satz verwendet Sarkasmus, indem er Wörter wie „wunderbar“ und „großartig“ enthält. Für ein Sentimentanalysesystem wäre es schwierig, dieses Szenario ohne eine menschliche Überprüfung und abschließende Beurteilung zu erfassen. 

Kontext

In manchen Fällen ist es unmöglich, die Stimmung ohne einen umfassenderen Kontext zu bestimmen. Betrachten Sie die folgende Aussage: „Die Auswahl in diesem Kunstbedarfsgeschäft ist großartig, wenn Sie Malerei studieren.“ Beim Durchsuchen des Textes stoßen wir auf positiv bewertete Wörter wie „großartig“. 

Ein umfassenderer Kontext dieser Aussage deutet jedoch auf etwas anderes hin: Das Kunstbedarfsgeschäft ist nicht besonders gut, wenn Ihr Schwerpunkt auf Bleistift, Tinte, Bildhauerei oder einer anderen künstlerischen Technik liegt. Oh je. Wenn Sie den Kontext berücksichtigen, könnten Sie zu dem Schluss kommen, dass diese Bewertung letztlich doch nicht so positiv ist!

Wenn maschinelles Lernen Meinungen zur Stimmung auswertet, berücksichtigt es den Kontext nicht immer besonders gut.

Vergleiche

Vergleiche sind komplex, weil es dabei weniger um die Wörter selbst geht als darum, wie die Wörter miteinander in Beziehung stehen. Hier ist ein Beispiel:

Das ist der beste Kuchen, den ich je gegessen habe. 

Der Kuchen ist für ein Kettenrestaurant gut. 

Der erste Satz ist positiv. Der zweite lässt sich nicht ganz so leicht bestimmen. Höchstwahrscheinlich möchten Sie, dass Ihr Produkt im Vergleich zu allen Arten von Konkurrenz gut abschneidet. Das zweite Sentiment impliziert, dass Ihr Kuchen im Vergleich zu spezialisierten Bäckereien, lokalen Geschäften oder anderen Standorten nur zweitklassig ist.

Sentimentanalyse-Lösungen erfassen den Vergleichsfaktor hier möglicherweise nicht. Stattdessen würden sie das Wort „gut“ lesen und das Sentiment positiv bewerten, obwohl eindeutig mehr dahintersteckt. 

Emojis

Jeder, der Zeit online verbringt, weiß, dass Emojis überall zu finden sind. Einige sind einfach, andere kompliziert, aber alle können beim maschinellen Lernen, das eine Sentimentanalyse durchführen soll, für Schwierigkeiten sorgen. 

Emojis sind ein wichtiger Bestandteil der Online-Kommunikation. Ein Herz-Emoji sollte als positives Sentiment gelesen werden, während das Emoji eines Kothaufens sicherlich negativ bewertet würde. Das stellt kein Problem dar, solange Sie mit Sentiment-Bibliotheken arbeiten, die Bewertungen für gängige Emojis enthalten, so wie dies auch für beliebte Slangwörter der Fall sein kann.

Slang

Sprache entwickelt sich ständig weiter, und dazu gehört auch das Slang-Vokabular jeder Generation, etwa „smol“, „stan“, „woke“ und „salty“. Wie bei Emojis kann Ihr Sentimentanalyse-Tool hier Schwierigkeiten haben.

Schließlich scheint alle paar Monate ein neues, von einem Meme inspiriertes Slangwort aufzutauchen. Slang, der sich hält und in sozialen Medien auftauchen kann, lässt sich zur Sentiment-Bibliothek hinzufügen und mit einer positiven, neutralen oder negativen Bewertung versehen ... genau wie jedes andere Wort! 

Unser Sprachwörterbuch entwickelt sich ständig weiter. Ich erinnere mich an das kollektive Augenrollen, als YOLO (You Only Live Once, für alle, die mit dem Ausdruck nicht vertraut sind) 2014 in das Online-Wörterbuch Oxford aufgenommen wurde. Sentimentanalysatoren dürfen jedoch hoffen: Das bedeutet, dass sich auch ML-Wörterbücher weiterentwickeln können. Die besten Sentimentanalyse-Tools werden neuen Slang durch Softwareupdates oder manuelle Benutzereingaben berücksichtigen. 

Zwischenbereich: Was ist ein neutrales Sentiment?

Eine Möglichkeit, eine gute Grundlage für das Training maschinellen Lernens zu schaffen, besteht darin, sich eingehend damit zu beschäftigen, was „neutral“ genau bedeutet. Ich habe viel Zeit damit verbracht, über positive und negative Beispiele für einen Sentimentanalysator zu sprechen, aber diese beiden Sentiments setzen ein klar definiertes neutrales Sentiment voraus. Man kann durchaus sagen, dass das neutrale Sentiment einer der wichtigsten Bestandteile des Prozesses ist.

Doch wie definiert man neutral? Hier sind 3 Möglichkeiten für den Anfang:

1. Objektive Tests einbeziehen. Erinnern Sie sich an das obige Beispiel: Dieses Hemd ist blau. Das Auto ist gelb. Der Baum hat Blätter. Dies sind alles objektive, auf Tatsachen beruhende Aussagen. Sie enthalten weder ein positives noch ein negatives Sentiment. 

2. Alles Irrelevante herausfiltern. Irrelevante Informationen helfen Ihnen nicht dabei, festzustellen, ob etwas positiv oder negativ ist. Wenn eine Bewertung für einen Wäschetrockner beispielsweise mit einer Anekdote beginnt, etwa: „Ich ging in den Keller und warf die nasse Wäsche in den Trockner, nur um festzustellen, dass er kaputt war“, dann ist diese Information für das Sentiment der Bewertung selbst nicht relevant und kann weggelassen werden.

3. Vorschläge ignorieren. Dies ist keine unumstößliche Regel, aber Vorschläge tragen häufig nicht zum Sentiment bei. Wenn Rezensenten sich wünschen, dass ein Artikel über eine bestimmte Funktion verfügt, sagt das nicht viel über das Sentiment der Kunden aus. Zunächst könnten Sie dies als negativ betrachten, und das kann auch zutreffen. Zum Beispiel ist „Das Steak war schrecklich, ich wünschte, sie hätten es nicht zu lange gegart“ negativ. Wünsche und Vorstellungen können jedoch auch in positiven Bewertungen vorkommen: „Der Kuchen war köstlich, ich wünschte, es gäbe mehr davon“ oder „Ich liebe alles an diesem Hemd, ich wünschte, es wäre in 100 Farben erhältlich.“ 

Ein klar definiertes neutrales Sentiment ist das Fundament jeder Sentimentanalyse. Schließlich beginnt jede Analyse neutral und entwickelt sich dann in eine positive oder negative Richtung, während der Text bewertet wird. 

Fazit 

Sentimentanalyse ist eine Form von Werkzeug des maschinellen Lernens. Maschinelles Lernen arbeitet mit der Verarbeitung natürlicher Sprache zusammen, um die grundlegenden Bausteine des Sentimentanalyseprozesses zu bilden. 

Maschinelles Lernen beschreibt jedoch lediglich, wie Computer lernen, und muss nicht immer mit Sentimentanalyse verknüpft sein. Es gibt auch maschinelles Lernen für Chatbots im Kundenservice, Geschäftsprognosen, Produktempfehlungs-Engines, dynamische Produktpreise und vieles mehr. 

Abonnieren Sie den Newsletter von The CX Lead für weitere Experteneinblicke in Kunden- und Benutzererfahrung.