Heutzutage gibt es eine unuberschaubare Anzahl von Medien mit enorm vielen Artikeln und Beitragen. Da in ihnen neben vielen anderen potenziell nutzlichen Informationen wertvolle Meinungen zu Themen enthalten sind, ist eine automatische Beobachtung dieser Medien sehr interessant, birgt aber zwei gro e Herausforderungen: eine automatisierte Tonalitatsbestimmung (Opinion Mining) kombiniert mit einer Themenverfolgung. Diese zwei Aufgaben sind Teilgebiete des Text Minings, auch Text Data Mining oder Knowledge Discovery in Texten genannt. Diese Arbeit beschreibt einen Ansatz fur Opinion Mining und Themenverfolgung basierend auf einer Information Extraction Architektur. In der Evaluation wird gezeigt, wie dieser Ansatz fur Opinion Mining oder eine Themenverfolgung eingesetzt werden kann.
1.1
Die riesigen Strome aus Artikeln und Beitragen enthalten viele potenziell wertvolle Informationen zu Themen, Personen, Firmen, Produkten, usw. Besonders die PR- und MarketingAbteilungen von Unternehmen, Parteien und Verbanden interessieren fur diese Daten und deren Auswertung. Dabei interessiert man sich besonders dafur, inwiefern sich das Image des Unternehmens oder das Image von bestimmten Produkten, Marken und Dienstleistungen entwickelt. Aber auch wie bestimmte Personen (Werbetrager, Vorstandsmitglieder, etc.) in diesen Medien wahrgenommen werden. Au erdem von Bedeutung ist die Frage, auf welche Weise bestimmte Themen mit dem Unternehmen verknupft sind. Beim Medienmoitoring geht es darum Artikel zu erfassen und sammeln, die fur PR- und Marketing Abteilungen interessant sind. Dazu werden von ihnen Themen oder Schlagworter de niert. Dies ist auch interessant fur Verbande, Vereine, Parteien, Stiftungen, die teilweise zu klein sind um uber eine eigene PR-Abteilung zu verfugen. 1.2
Bei der Medienresonanz geht es darum zu bestimmten Themen das mediale Echo zu analysieren.
Dies kann z. B. auf folgende Art und Weise geschehen: Zunachst werden Themen de niert, die es zu untersuchen gilt. Dies konnen beispielsweise Marken von Firmen sein oder andere Begri e wie Produktnamen, Personen oder ahnliches. Bei einem Medienbeobachter und einem Ausschnittdienst wurden die Kunden (meist PR-Abteilungen von Firmen oder Organisationen wie Parteien) Themen durch bestimmte Schlagworter festlegen. Die Schlagworter werden dann von Crawlern in den Medien gesucht, um die entsprechenden Artikel zu erfassen.
Dann konnen diese Artikel bewertet werden, z.B. ob sie wirklich relevant zu diesem Thema sind, wie exklusiv dieser Beitrag ist und am wichtigsten welche Tonalitat er besitzt. Die Tonalitat beschreibt, ob ein bestimmter Artikel positive oder negative Meinungen zu einem Thema enthalt. Es ist auch beides moglich. Oft wird dies mit einem negativen Zahlenwert fur eine negative Tonalitat und einem positiven Zahlenwert fur eine positive Tonalitat festgehalten. Diese Bestimmung der Tonalitat wird heutzutage bei den Medienbeobachtern noch rein manuell durch Medienanalysten ausgefuhrt, die die Texte lesen und meinungsbeinhaltende Passagen identi zieren und bewerten.
Allerdings sto en solche Beobachtungsdienste aufgrund der Menge der Artikel und Beitrage heute an ihre Grenzen, was manuell noch zu bearbeiten ist. Die Nachrichtenanzahl, die diese Dienste bearbeiten, nimmt stetig zu, aufgrund der starkeren Digitalisierung der Medien wie auch durch Entstehen neuer Medien im Internet wie der Bereich Social Media. 1.3
Als Losung fur eine automatische Medienresonanzanalyse bieten sich Opinion Mining und Themenverfolgung an, um die doch bisher meist manuell geleistete Arbeit zu unterstutzen und perspektivisch zu ersetzen.. Mit Hilfe des Opinion Minings soll es gelingen meinungstragende Passagen innerhalb eines Textes zu nden und dann automatisch mit einem Tonalitatswert zu versehen. Durch die Realisierung einer automatischen Themenverfolgung konnte die manuell vorgenommene Schlagwortverwaltung fur die Themenzuordnung abgelost werden. In der Kombination hatte man dann eine automatische Medienresonanzanalyse.
Der Rest dieser Arbeit kann wie folgt zusammengefasst werden: Zunachst werden die Ansatze aufgezeigt, die schon zum Bereich des Opinion Minings und der Themenverfolgung entwickelt wurden. Dann wird die Architektur entworfen, wodurch eine automatische Medienresonanzanalyse auf Basis von Natural Language Processing und Information Extraction realisierbar wird. Anschlie end wird in ersten Versuchen demonstriert, wie die Vorverarbeitung fur Opinion Mining und Themenverfolgung eingesetzt werden konnen. Abschlie end werden dann aufgrund dieser Ergebnisse Schlussfolgerungen fur das weitere Vorgehen gezogen.
Um die Tonalitat eines Textes zu bestimmen, benutzen
viele Ansatze wie [
Eine typische Menge von Saattonalitatswortern sieht
beispielsweise so aus [
Diesen Aufbau durch einen Bootstrapping Algorithmus
benutzt auch das bekannteste Worterbuch: SentiWordNET
[
Andere Ansatze benutzen nur WordNET oder ahnliche,
allgemeine Worterbucher [
Viele Ansatze [
Bei Kundenrezensionen ist eine Identi kation von
Meinungsblocken nicht notig. Eine Rezension besteht nur aus
Meinungsblocken. Um generell Meinungen zu nden, auch
wenn dies in einem langen Zeitungsartikel nur ein kleiner
Absatz uber ein bestimmtes Unternehmen ist, sind zunachst
noch anderere Schritte zuvor notig. Ein satzbasierter Ansatz
[
Auch kann man davon ausgehen, dass bei Sentiment Analysis Ansatzen man schon mit einem kleineren Worterbuch mit Tonalitatswerten zurecht kommt, da man es bei den Zielen der Rezension nur mit Produkten und ahnlichem wie Filmen, Hotels usw. zu tun hat. Bei einer Medienresonanzanalyse werden aber gleichzeitig Entitaten wie Personen, Organisationen, Produkte, Events oder Aktionen im Fokus stehen. Somit andern sich auch die tonalitatsbildenen Worter, da nicht allein durch eine Beschreibung eines Produktes etc. eine Tonalitat ausgedruckt wird.
In einer Rezension will der Autor seine Meinung dem Leser
direkt vermitteln. In Zeitungsartikeln beschreibt der Autor
nicht nur direkte Meinungen, oft wird eher uber Fakten und
Handlungen gesprochen, die sich auf bestimmte Personen
oder Organisationen beziehen, die dann eine Tonalitat
entstehen lassen. Darum sollte ein solcher Ansatz auch nicht
nur Adjektive, sondern mehr Wortarten miteinbeziehen (z.
B. Verben). Die meisten Ansatze [
Wissenschaftliche Methoden [
Weiterhin gibt es einen Ansatz [
Eine andere, sehr erfolgreiche Methode ist die Verfolgung
von wortlicher Rede [
Selten werden verschiedene Merkmale kombiniert [
Die verschiedenen Arbeiten [
Gerade Natural Language Processing (NLP) wird in
vielen anderen Ansatzen benutzt, um unter anderem Adjektive
zu identi zieren [
Durch Information Extraction (IE) [
Web
Crawler Satz Segmentierung
Tokenisierung
Einheitliche Dokumentendarstellung Part-Of-Speech
Tagging
Stemming
Natural Language Processing Entity Recognition
Ortho-Matching
Pronomenauflösung Information Extraction Merkmale extrahieren
Lernverfahren
Vorhersagemodell
Abbildung 1: Ablauf der Verarbeitungsschritte auch nicht exakt die selbe Zeichenkette verwendet wird. Im Falle einer Person konnte z.B. erst der komplette Name und spater im Text nur noch der Nachname benutzt werden. Kommt eine Pronomenau osung hinzu, dann wird eine Entitat auch dann weiterverfolgt, wenn im Text fur die Entitat nur noch Pronomen stehen wie \sie" oder \ihn", die sich aber auf die entsprechende Person beziehen.
Daruber hinaus kann es noch sehr nutzlich sein, weitere Informationen wie den grammatikalischen Fall oder das Geschlecht von Wortern zu bestimmen. Auch Textpassagen mit wortlicher Rede oder die Extraktion von Nomenphrasen sind weitere nutzliche Informationsbausteine, die in einer weiteren Verarbeitung aufgegri en werden konnen. 3.3
Diese Vorverarbeitung lasst sich fur das Opinion Mining und die Themenverfolgung folgenderma en einsetzen:
Durch die Bestimmung der verschiedenen Wortarten lassen sich fur das Opinion Mining Worterbucher aus Adjektiven, Verben und Adverben extrahieren. Hier stellt sich noch die Frage, wie man diesen Tonalitatswert bestimmt. Viele Ansatze bilden dazu Ma e, die auf das Zusammenauftreten mit positiven bzw. negativen Tonalitatswortern beruhen. Wenn man viele annotierte Meinungsblocke besitzt, kann man auch Standardansatze aus dem Information Retrieval wie TF-IDF darauf anwenden. Ebenso kann man Bootstrapping einsetzen.
Auch Nominalphrasen konnen in dem Worterbuch aufgenommen werden. Diese konnen auch fur die Darstellung eines Themas von gro em Nutzen sein.
Durch die Erkennung von Personen, Organisationen usw. kann man bei der Tonalitatsbestimmung unterscheiden, ob nun eine Person oder ein Produkt besprochen wird. Dadurch kann man die Bewertung des Vokabulars darauf anpassen.
Bei der Themenverfolgung kann man Themen durch die Anwesenheit von Entitaten beschreiben. Das Vorhandensein bzw. die Abwesenheit einer Entitat kann ebenso wie Schlagworter dazu benutzt werden ein Thema zu beschreiben und damit auch zu verfolgen. Auch konnte man genauso wie bei Schlagwortern das Auftreten mit TF-IDF gewichten, was nun konkret bedeuten wurde: Die Hau gkeit einer Entitat multipliziert mit der inversen Dokumentenfrequenz in der sie vorkommt. Bei dieser Gewichtung ist noch zu klaren, was den gesamten Dokumentenkorpus darstellt. Dies konnte ein zeitlicher Ausschnitt sein (z. B. ein Monat).
Zusatzlich konnte diese Gewichtung interessante Informationen uber die Entwicklung eines Themas liefern, weil es anzeigt welche Entitaten in welchen Themen eine starke Rolle spielen.
Dies kann man zusatzlich mit bisherigen Ansatzen fur Themendarstellung durch Schlagworter sowie die Verfolgung von wortlicher Rede kombinieren.
Diese Vorverarbeitungsschritte benotigen naturlich auch Rechenzeit. Da allerdings dazu auf einem riesigen Datenfeld (den Texten) nur gelesen werden muss, ist eine Parallelisierung der Vorverarbeitung durchfuhrbar.
Um zu uberprufen, wie dieser Ansatz mit NLP und IE fur Opinion Mining und eine Themenverfolgung eingesetzt werden kann, wird evaluiert, wie mit bestimmten Wortarten automatisch eine Tonalitat bestimmt werden kann und ob mit Entitaten eine thematische Zuordnung moglich ist. Dafur werden zuvor klassi zierte Daten benutzt.
Diese Evaluation soll erste Hinweise geben, ob es grundsatzlich mit diesen Merkmalen moglich ist, die fundamentalen Bausteine einer Medienresonanzanalyse maschinell durchzufuhren: Tonalitatsbestimmung und Themenzuordnung.
Dabei geht es auch weniger um die Bestimmmung des optimalen Lernverfahrens. Der Einfachheit halber wurden dazu im ersten Schritt drei typische Klassi kationsverfahren verwendet. Diese bieten sich an, weil die Daten schon vor der Evaluation mit entsprechenden Klassen versehen sind. 4.1
Fur diesen Test wurden 1600 Nachrichtenmeldungen mit 800 positiven und 800 negativen Meldungen analysiert. Um eine Tonalitat zu erhalten, wurden mittels NLP Adjektive, Adverbien und Verben aus dem Text extrahiert und mittels Stemming auf ihre Stammform zuruckgefuhrt. Danach wurden invertierte Listen von diesen Dokumenten erzeugt und die einzelnen Terme mittels TF-IDF gewichtet.
Nach der Erzeugung dieser Attribute wurden die Daten in einer 10-fach-uber-Kreuz-Validierung durch drei Klassi kationsverfahren getestet: Support Vector Machine (SVM), Naive-Bayes und k-Nearest-Neigbours mit k=7.
Bei den Resultaten zeigte sich, das diese doch recht naive Methode (es wird beispielsweise nicht betrachtet, ob irgendwelche Negationen anwesend sind) tatsachlich erste brauchbare Hinweise geben kann.
Es zeigte sich, dass die Vermutung, nur Adjektive allein wurden die Tonalitat bestimmen, nicht zutri t. Die Gruppe der Verben schneidet schon besser ab. Hier scheint der Unterschied zwischen Sentiment Analysis bezogen auf Kundenrezensionen und Opinion Mining bezogen auf Nachrichten deutlich zu werden. Kundenrezensionen beziehen ihre Tonalitat wohl eher durch Adjektive (\die Bildqualitat ist super" oder \der Autofokus ist zuverlassig")1, wahrend in Nachrichten dies nicht unbedingt der Fall ist (\Verbraucher
100 90 80 70 60 in%50 roe 40 c -S 30 F 20 10 0 1Beispiele aus einer Amazon.de Kundenrezension 2Beispiele von Spiegel.de am 4.3.2011
Naive-Bayes k-Nearst-Neighbour nen eine Rolle spielen bzw. die Organisationen das trennende Kriterium sind.
Auch Orte scheinen charakteristisch fur Themen zu sein (ca. 81,37 %). Kaum uberraschend spielt der Ort \Frankfurt" im ersten Thema eine wichtigere Rolle als im zweiten Thema und fur \Berlin" ist es umgekehrt.
Das Merkmal Person ist nicht so erfolgreich (nur ca. 68,14 %). Bei den hier vorliegenden Themen gab es hinsichtlich der Personen auch durchaus U berschneidungen, weil mehrere Personen in beiden Themen auftauchten. Eine interessante Frage stellt sich nun dahingehend, ob dies bei kleineren Themen vielleicht seltener der Fall ist.
Insgesamt zeigt sich das wunschenswerte Resultat: Mit allen Entitaten gemeinsam wird das beste Ergebnis erzielt (ca. 85,78 %).
Die Ergebnisse der Evaluation lassen darauf schlie en, dass sich aufbauend auf dem beschriebenen Anforderungspro l eine automatische Tonalitatsbestimmung und Themenverfolgung realisieren lasst.
Zu dem Aspekt des Opinion Minings fehlen noch viele Bestandteile, die in einem Text die Tonalitat verandern konnen. Es hat sich gezeigt, dass die Worte allein schon im Ansatz funktionieren, aber noch gro es Verbesserungspotenzial vorhanden ist.
Dazu ist zu erarbeiten, ob es noch bessere Methoden der Gewichtung gibt als der Standardansatz uber TF-IDF. Auerdem muss uberlegt werden, wie man die Tonalitatsworter beispielsweise in einem Worterbuch verwalten kann. Als nachste Fragestellung schlie t sich dann an, wie man mit semantischen Merkmalen wie Negation oder dem Bezug zu Entitaten umgeht.
Daruber hinaus ist ein weiteres spannendes Problem die Identi zierung der Meinungsblocke, also der Textpassagen, die eine Meinung beinhalten. Ein Tonalitatsgrenzwert fur Abschnitte und Satze ist denkbar, aber auch die Lokalisierung durch die Entitaten im Text, fur die man sich erstens verstarkt interessiert und die sich zweitens mit ausreichend vielen tonalitatsbildenen Wortern umgeben.
Bei der Themenverfolgung haben die Experimente zunachst nur den Wert von Entitatenerkennung in einem einfachen Beispiel gezeigt. Hier musste die Kombination mit klassischen Schlagwortansatzen und neueren Ansatzen, wie die Einbeziehung von wortlicher Rede, genutzt werden, um eine bessere Themendarstellung zu erhalten und zusatzlich interessante Fakten uber ein Thema zu sammeln. Diese Fakten konnen Folgendes beinhalten: Wie stark sind welche Personen mit welchen Themen verbunden? Oder gibt es zentrale Zitate/Aussagen, die immer wieder aufgegri en werden.
Allerdings muss zunachst die Frage beantwortet werden, wie man die Entitaten sinnvoll mit Ansatzen wie Schlagwortern und die Verfolgung von Zitaten verbinden kann. Dies wird Gegenstand der zukunftigen Arbeit sein, wobei auch zu klaren ist, wie man diese Kombination fur die Verwaltung einer Themenverfolgung sinnvoll einsetzen kann.
Weiterhin ist dabei die Gro e eines Themas zu beachten (fur die De ntion der Gro e eines Themas gibt es viele Moglichkeiten, die Anzahl der Artikel zu einem Thema ist eine nahe liegende Losung). Wie wirkt sich die Gro e der Themen auf die Verwaltung aus? Und wie verhalt sich die Themendarstellung mit Merkmalen dadurch? In der Evaluation kam schon die Frage auf, ob Personen bei kleineren Themen nicht eine wichtigere Rolle zur Themenbeschreibung spielen.
Insgesamt zeigt sich aber, dass die Vorverarbeitung durch Natural Language Processing und Information Extraction von gro em Vorteil ist, da sie fur beide Aufgabenstellungen, Opinion Mining und Themenverfolgung, viele neue Moglichkeiten ero net und diese im Ansatz fur eine Medienresonanzanalyse funktionieren. 6.