Zusammenfassung von Kundenrezensionen mittels hybrider Analyse von Gefühlen

Die rasche Zunahme der Generierung von Textinhalten aus Quellen wie WhatsApp, Instagram und Amazon erzeugt täglich riesige Datenmengen. Die Interpretation dieser Daten kann Unternehmern helfen, die öffentliche Wahrnehmung ihrer Produkte oder Dienstleistungen zu verstehen und fundierte Entscheidungen zu treffen. Aufgrund der großen Textmengen ist die Verarbeitung natürlicher Sprache (Natural Language Processing, NLP), ein wesentlicher Aspekt der Stimmungsanalyse (Sentiment Analysis, SA), für die Interpretation von Inhalten unerlässlich. Diese Forschungsarbeit konzentriert sich auf die Entwicklung eines Modells zur Zusammenfassung von Kundenrezensionen (Consumer Review Summarization, CRS), das NLP-Techniken und Long Short-Term Memory (LSTM) verwendet, um Daten zusammenzufassen und Unternehmen wichtige Einblicke in das Verhalten und die Präferenzen der Verbraucher zu geben. Die Wirksamkeit des CRS-Modells beruht auf dem SA-Modell und besteht aus zwei Phasen: SADL und CRS. Die SADL-Phase umfasst die Vorverarbeitung der Rezensionen, die Merkmalsextraktion und die Klassifizierung der Stimmung, während die CRS-Phase eine automatische Zusammenfassung auf der Grundlage der SADL-Ergebnisse vornimmt.

Autorentext
Dr. Gagandeep Kaur erwarb ihren Doktortitel (CSE) im Jahr 2023 und ihren M.Tech-Abschluss (CSE) im Jahr 2011. Sie ist seit mehr als 12 Jahren in der Forschung und Lehre tätig. Zurzeit arbeitet sie als Assist. Prof. in der CSE-Abteilung des Symbiosis Institute of Technology, Nagpur. Sie hat mehr als 20 Forschungsarbeiten in internationalen Fachzeitschriften/Konferenzen veröffentlicht.