Produkt-Mining im Web 2.0

Um im gestiegenen Qualitätsund Kostenwettbewerb zu bestehen, setzen viele Unternehmen verstärkt auf Problemlösungen, die auf die Bedürfnisse der Kunden zugeschnitten sind. Dies setzt jedoch die Kenntnis der Kundenwünsche voraus. Das Web 2.0 stellt eine reichhaltige Quelle an Informationen über Produktbewertungen von Kunden dar. Eine manuelle Analyse ist jedoch sehr aufwändig und nur in geringem Umfang möglich. In dieser Arbeit wird ein Konzept zur automatischen Analyse von Produkt-Reviews auf Basis von Text Mining und Data Mining vorgestellt. Es erlaubt die Extraktion, Aggregation und Analyse von Produkteigenschaften und ihren Bewertungen und stellt damit wichtige Informationen für die Produktgestaltung und -verbesserung bereit.

[1]  Janyce Wiebe,et al.  Just How Mad Are You? Finding Strong and Weak Opinion Clauses , 2004, AAAI.

[2]  Bo Pang,et al.  A Sentimental Education: Sentiment Analysis Using Subjectivity Summarization Based on Minimum Cuts , 2004, ACL.

[3]  Janyce Wiebe,et al.  Effects of Adjective Orientation and Gradability on Sentence Subjectivity , 2000, COLING.

[4]  David M. Pennock,et al.  Mining the peanut gallery: opinion extraction and semantic classification of product reviews , 2003, WWW '03.

[5]  Vibhu O. Mittal,et al.  Applying Machine Learning for High‐Performance Named‐Entity Extraction , 2000, Comput. Intell..

[6]  J. Ross Quinlan,et al.  Induction of Decision Trees , 1986, Machine Learning.

[7]  Tong Zhang,et al.  Text Mining: Predictive Methods for Analyzing Unstructured Information , 2004 .

[8]  Peter Norvig,et al.  Artificial Intelligence: A Modern Approach , 1995 .

[9]  Bo Pang,et al.  Thumbs up? Sentiment Classification using Machine Learning Techniques , 2002, EMNLP.

[10]  Michael Amberg,et al.  The Compass Acceptance Model for the analysis and evaluation of mobile services , 2004, Int. J. Mob. Commun..

[11]  Peter D. Turney.  Thumbs Up or Thumbs Down? Semantic Orientation Applied to Unsupervised Classification of Reviews , 2002, ACL.

[12]  Yuji Matsumoto,et al.  Use of Support Vector Learning for Chunk Identification , 2000, CoNLL/LLL.

[13]  Peter A. Flach,et al.  Confirmation-Guided Discovery of First-Order Rules with Tertius , 2004, Machine Learning.

[14]  Oren Etzioni,et al.  Extracting Product Features and Opinions from Reviews , 2005, HLT.

[15]  Henry Lieberman,et al.  A model of textual affect sensing using real-world knowledge , 2003, IUI '03.

[16]  서정헌,et al.  반도체 공정 overview , 2001 .

[17]  Doug Downey,et al.  Unsupervised named-entity extraction from the Web: An experimental study , 2005, Artif. Intell..

[18]  Corinna Cortes,et al.  Support-Vector Networks , 1995, Machine Learning.

[19]  Katharina Morik,et al.  Maschinelles Lernen und Data Mining , 2013, Handbuch der Künstlichen Intelligenz.

[20]  Günther Görz,et al.  Handbuch der Künstlichen Intelligenz, 4. Auflage , 2003, Handbuch der Künstlichen Intelligenz.

[21]  Janyce Wiebe,et al.  Computing Attitude and Affect in Text: Theory and Applications , 2005, The Information Retrieval Series.

[22]  Bing Liu,et al.  Opinion observer: analyzing and comparing opinions on the Web , 2005, WWW '05.

[23]  Pero Subasic,et al.  Affect analysis of text using fuzzy semantic typing , 2001, IEEE Trans. Fuzzy Syst..

[24]  Hartmut H. Holzmüller,et al.  Optionen für die Marketingforschung durch die Nutzung qualitativer Methodologie und Methodik , 2009 .