Sentiment Analysis (deutsch: Stimmungs- oder Meinungsanalyse) klassifiziert automatisch die emotionale Haltung eines Textes. Die typischen Klassen sind positiv, negativ und neutral; feinere Systeme unterscheiden zusätzlich Abstufungen, Emotionen oder Aspekte (etwa „Preis gut, Service schlecht").
Verfahren
- Lexikon-basiert: Sentiment-Wörterbücher bewerten Wörter mit Polaritätswerten; bekannt ist etwa VADER für Social-Media-Texte
- Maschinelles Lernen: Modelle wie Naive Bayes oder Support Vector Machines werden auf gelabelten Texten trainiert
- Transformer-Modelle: BERT-basierte Systeme verstehen Kontext, Verneinungen und Ironie deutlich besser
Einsatzgebiete
Unternehmen analysieren mit Sentiment Analysis Kundenrezensionen, Social-Media-Beiträge und Umfragen, um Stimmungen früh zu erkennen. Auch Marktforschung, politische Meinungsanalyse und die Priorisierung von Support-Tickets nutzen die Methode. Technisch ist sie eine Textklassifikation: Die Tokenisierung zerlegt den Text, Bag of Words oder TF-IDF repräsentieren ihn, ein Klassifikations-Modell entscheidet die Klasse.
Sentiment Analysis ist ein Teilgebiet des Text Mining und nutzt Grundlagen des maschinellen Lernens sowie der semantischen Suche. Herausforderungen bleiben Ironie, Sarkasmus und domänenspezifische Sprache.
Verwandte Grundlagen: Text Mining, Korpus.