Opinion Mining mit Lexikonabgleich auf der Grundlage eines Hidden Markov Model

Eine große Anzahl von Produkten wird heute auf verschiedenen Websites zum Kauf angeboten. Um etwas über das Produkt zu erfahren, bittet der Verkäufer oder der Hersteller seine Kunden oft, ihre Meinungen und Erfahrungen über die von ihnen gekauften Produkte mitzuteilen. Leider ist es eine sehr mühsame Aufgabe, alle Bewertungen durchzugehen und zu entscheiden, ob das Produkt zur Zufriedenheit des Kunden ist oder nicht. Das Hauptproblem bei diesen Bewertungskommentaren besteht darin, all diese Kommentare zu verwalten und eine aussagekräftige Zusammenfassung der Bewertung zu erstellen, unabhängig davon, ob es sich um ein positives oder negatives oder neutrales Feedback zu einem Produkt handelt. Die Hauptaufgabe besteht also darin, ein Wörterbuch von Entitäten aus diesen Rezensionen zu erstellen. Der Schwerpunkt dieses Buches liegt auf der Erstellung eines Modells für das Lexikon-Matching unter Verwendung von Hidden Markov Model (HMM) und Fuzzy K-Means Clustering. Die Ergebnisse zeigen, dass das trainierte HMM-System sehr vielversprechend bei der Durchführung der gewünschten Aufgaben ist und die höchstmögliche Präzision und Genauigkeit im Falle des Lexikonabgleichs erreicht.

Autorentext

Dr. Aakanksha Sharaff, Ph.D., arbeitete als Assistenzprofessorin für Informatik und Ingenieurwesen am Nationales Institut für Technologie, Raipur, Indien. Ihre Forschungsinteressen liegen in den Bereichen Data Mining, Text Mining, Maschinelles Lernen und Information Retrieval. Swati Soni machte ihren M.Tech. unter der Leitung von Dr. (Frau) Aakanksha Sharaff.