Latente Aspektenerkennung aus Online-Kundenbewertungen ohne Aufforderung

Im Kontext der Review-Analyse sind Aspekte die Merkmale von Produkten und Dienstleistungen, auf die Kunden ihre Meinungen und Gefühle richten. Die Aspektenerkennung hilft Produktbesitzern und Dienstleisterinnen, Mängel zu identifizieren und die Bedürfnisse der Kundinnen zu priorisieren, um so Einnahmen zu sichern und den Kundenausfall zu reduzieren. Bestehende Methoden konzentrieren sich darauf, die äußere Form eines Aspekts durch das Training überwachter Lernverfahren zu erkennen, die jedoch versagen, wenn Aspekte in Bewertungen latent sind. In dieser Arbeit schlagen wir eine unüberwachte Methode vor, um latente Auftretensformen von Aspekten zu extrahieren. Insbesondere gehen wir davon aus, dass eine Kundin bei der Verfassung einer Bewertung einen hypothetischen zweistufigen Generierungsprozess durchläuft: (1) die Auswahl eines Aspekts aus der Menge der für das Produkt oder die Dienstleistung verfügbaren Aspekte und (2) das Schreiben von Meinungswörtern, die stärker mit dem gewählten Aspekt im Zusammenhang stehen als mit anderen Wörtern der Sprache. Wir verwenden Latent Dirichlet Allocation (LDA), um die latenten Aspektverteilungen zu lernen, die für die Generierung der Bewertungen notwendig sind. Experimentelle Ergebnisse auf Benchmarks-Datensätzen zeigen, dass unser vorgeschlagener Ansatz den Stand der Technik verbessert, wenn Aspekte in Bewertungen latent sind und keine äußere Form haben.