Sentiment Analysis

Die Sentimentanalyse, auch Meinungsanalyse genannt, ist die Aufgabe der Verarbeitung natürlicher Sprache (NLP), die Haltung eines Textes zu erkennen. Üblicherweise wird sie als positiv, negativ oder neutral eingestuft, manchmal auch als Wert, Sternebewertung oder Emotion wie Wut oder Freude ausgegeben. Unternehmen analysieren Produktbewertungen, Support-Tickets, Umfrageantworten und Beiträge in sozialen Medien, um die Gefühle von Kunden gegenüber einem Produkt oder einer Marke anhand von mehr Text zu erfassen, als ein Team lesen könnte. Support-Chatbots nutzen die Sentimentanalyse, um verärgerte Kunden zuerst an einen Menschen weiterzuleiten.

Analyseebenen#

Bei der Analyse auf Dokumentebene erhält eine ganze Bewertung eine Kennzeichnung, bei der Analyse auf Satzebene wird jeder Satz einzeln gekennzeichnet. Die aspektbasierte Sentimentanalyse (ABSA) geht weiter und ermittelt die Meinung zu jedem Merkmal, das in einem Text erwähnt wird: „Der Bildschirm ist wunderschön, aber der Akku hält kaum einen Vormittag“ drückt eine positive Meinung zum Bildschirm und eine negative zum Akku aus. Die gemeinsame Aufgabe SemEval-2014 standardisierte diesen Ansatz anhand von Laptop- und Restaurantbewertungen. Die Aspektextraktion überschneidet sich mit der Erkennung benannter Entitäten (NER), da beide die Dinge finden, von denen ein Satz handelt.

Von Lexika zu Transformern#

Lexikonbasierte Verfahren zählen Wörter aus einem Sentimentlexikon – einer Liste von Wörtern mit positiven oder negativen Werten – und ergänzen Regeln für Verneinungen („nicht gut“) und Verstärkungen („sehr gut“). Peter Turneys unüberwachtes Verfahren (2002) bewertete Satzteile danach, wie oft sie im Web in der Nähe von „hervorragend“ oder „schlecht“ vorkamen. VADER (2014) passte ein Lexikon und Regeln an soziale Medien an und berücksichtigte dabei auch Emoticons, Großbuchstaben und Ausrufezeichen. Ebenfalls 2002 trainierten Bo Pang, Lillian Lee und Shivakumar Vaithyanathan Klassifikatoren mit Naive Bayes, maximaler Entropie und Support Vector Machines (SVM) anhand von Filmkritiken. Sie stellten fest, dass diese Verfahren besser abschnitten als von Menschen erstellte Schlüsselwortlisten, bei der Sentimentklassifizierung aber schlechtere Ergebnisse erzielten als bei der Themenklassifizierung.

Der Stanford Sentiment Treebank (2013) enthielt Kennzeichnungen für 215.154 Satzteile aus 11.855 Filmkritiken. So konnten Modelle lernen, wie Wörter wie „nicht“ und „aber“ die Stimmung des folgenden Textes verändern. Die binäre Version SST-2 wurde Teil des GLUE-Benchmarks. Heute stimmen die meisten Klassifikatoren einen vortrainierten Transformer wie BERT anhand von Beispielen mit Kennzeichnungen fein ab und wandeln die Ausgabewerte mithilfe einer Softmax in Klassenwahrscheinlichkeiten um. Auf SST-2 feinabgestimmtes DistilBERT erreicht auf dem Validierungsdatensatz eine Genauigkeit von 91,3 %:

from transformers import pipeline

# DistilBERT fine-tuned on the Stanford Sentiment Treebank (SST-2)
classifier = pipeline("sentiment-analysis", model="distilbert/distilbert-base-uncased-finetuned-sst-2-english")

reviews = [
    "The battery life is not bad at all.",
    "Oh great, it crashed again five minutes after the update.",
    "The screen is gorgeous, but the battery barely lasts a morning.",
]
for review, result in zip(reviews, classifier(reviews)):
    print(f"{result['label']:<8} {result['score']:.3f}  {review}")

Der Klassifikator stuft „überhaupt nicht schlecht“ als POSITIV (0,997) und die sarkastische Bewertung „Oh, großartig“ als NEGATIV (0,998) ein. Die dritte Bewertung lobt den Bildschirm und kritisiert den Akku, doch ein Modell auf Dokumentebene kann nur eine Kennzeichnung zurückgeben: NEGATIV mit 0,966. Das Lob geht im Ergebnis verloren. Große Sprachmodelle (LLMs) können Sentiment ebenfalls Zero-Shot anhand einer Eingabeaufforderung klassifizieren und für jeden Aspekt eine eigene Kennzeichnung ausgeben. Die Kosten pro Bewertung sind dabei jedoch deutlich höher als bei einem Klassifikator mit 66 Millionen Parametern.

Multimodales Sentiment#

Menschen drücken ihre Meinung durch den Tonfall und Gesichtsausdruck ebenso aus wie durch Worte. Sarkasmus lässt sich oft nur am Tonfall erkennen. CMU-MOSEI (2018), bei seiner Veröffentlichung der größte Datensatz für diese Aufgabe, enthält Sentiment-Kennzeichnungen für 23.453 Videosegmente von 1.000 Sprechern. Modelle für multimodales Lernen kombinieren Transkript, Audio und Gesicht der sprechenden Person, um das Sentiment vorherzusagen. Dieses Ziel teilt sich die Aufgabe mit affektiver Datenverarbeitung. Der Gesichtskanal ist eine Aufgabe der Bildklassifizierung: Ein mit Gesichtsausschnitten trainiertes Ultralytics-YOLO26-Klassifizierungsmodell, die nach Gesichtsausdruck jeweils in einem eigenen Ordner sortiert sind, gibt in result.probs eine Wahrscheinlichkeit für jeden Ausdruck zurück – dieselbe Art von Softmax-Ausgabe wie beim Textklassifikator oben.

Herausforderungen#

Sarkasmus, Ironie und Vergleiche („besser als das alte Modell, was nicht viel heißt“) bleiben schwierig. Die Bedeutung von Sentimentwörtern hängt vom jeweiligen Bereich ab: „unberechenbar“ kann eine Filmhandlung loben und die Lenkung eines Autos kritisieren. Ein Modell, das mit Filmkritiken trainiert wurde, verliert daher bei Produktbewertungen ohne neue Trainingsdaten an Genauigkeit. Modelle übernehmen außerdem Verzerrungen aus ihren Daten. Svetlana Kiritchenko und Saif Mohammad testeten 2018 219 Sentimentsysteme anhand von Sätzen, die sich nur durch einen Namen oder ein geschlechtsspezifisches Wort wie „er“ oder „sie“ unterschieden. Bei mehreren Systemen fielen die Bewertungen je nach dem Geschlecht oder der ethnischen Zugehörigkeit, die der Name nahelegte, durchgängig höher oder niedriger aus.

Sentimentanalyse und verwandte Begriffe#

• Textklassifizierung: Die allgemeine Aufgabe, Texten Kennzeichnungen wie Thema oder Spam zuzuweisen. Die Sentimentanalyse ist eine Textklassifizierung mit Meinungskennzeichnungen.
• Emotionserkennung: Erkennt bestimmte Emotionen anhand von Text, Gesichtern, Stimme oder physiologischen Signalen. Die Sentimentanalyse reduziert Meinungen üblicherweise auf eine Polarität.
• Erkennung benannter Entitäten: Ermittelt, was in einem Text erwähnt wird, und ABSA verknüpft jede Erwähnung mit der dazu geäußerten Meinung.