Philipp/aki_prj23_transparenzregister
1
0
Fork 0
mirror of https://github.com/fhswf/aki_prj23_transparenzregister.git synced 2025-12-21 17:28:55 +01:00
Code Issues Packages Projects Releases Wiki Activity

Spellchecking with PyCharm (#133)

Browse Source 
Co-authored-by: KM-R <129882581+KM-R@users.noreply.github.com>
This commit is contained in:
Philipp Horstenkamp
2023-10-02 20:47:42 +02:00
committed by GitHub
parent d2d4a436f8
commit 01b4ce00c1
32 changed files with 1062 additions and 646 deletions
Download Patch File Download Diff File Expand all files Collapse all files

26
documentations/research/Erste_Uebersicht_Sentiment_Analysis.md
View File

@@ -1,23 +1,29 @@
# Sentimentanalyse
Sentimentanalyse ist eine Technik des maschinellen Lernens und der künstlichen Intelligenz, die verwendet wird, um das Stimmungs- oder Emotionsniveau in Texten oder anderen Inhalten zu identifizieren. Die Sentimentanalyse basiert auf der Verarbeitung natürlicher Sprache (Natural Language Processing, NLP) und nutzt Algorithmen, um das Vorkommen von positiven, negativen oder neutralen Ausdrücken in einem Text zu erkennen.
Sentimentanalyse ist eine Technik des maschinellen Lernens und der künstlichen Intelligenz, die verwendet wird, um das
Stimmungs- oder Emotionsniveau in Texten oder anderen Inhalten zu identifizieren. Die Sentimentanalyse basiert auf der
Verarbeitung natürlicher Sprache (Natural Language Processing, NLP) und nutzt Algorithmen, um das Vorkommen von
positiven, negativen oder neutralen Ausdrücken in einem Text zu erkennen.
## Techniken der Sentimentanalyse:
1. Regelbasiert: Nutzt eine Sammlung von Regeln und lexikalischen Ressourcen, um das Sentiment zu erkennen. Beispiel: Das SentiWordNet-Lexikon ordnet jedem Wort in einem Text eine positive, negative oder neutrale Bewertung zu
2. Machine-Learning-basiert: Nutzt Algorithmen des maschinellen Lernens, beispielsweise Naive Bayes, Entscheidungsbäume und Support-Vector-Machines (SVM).
3. Deep-Learning-basiert: Nutzt neuronale Netze, beispielsweise Convolutional Neural Networks (CNN) und Recurrent Neural Networks (RNN).
1. Regelbasiert: Nutzt eine Sammlung von Regeln und lexikalischen Ressourcen, um das Sentiment zu erkennen. Beispiel:
Das SentiWordNet-Lexikon ordnet jedem Wort in einem Text eine positive, negative oder neutrale Bewertung zu
2. Machine-Learning-basiert: Nutzt Algorithmen des maschinellen Lernens, beispielsweise Naive Bayes, Entscheidungsbäume
und Support-Vector-Machines (SVM).
3. Deep-Learning-basiert: Nutzt neuronale Netze, beispielsweise Convolutional Neural Networks (CNN) und Recurrent Neural
Networks (RNN).
[Deep Data Analytics](https://deep-data-analytics.com/faq/sentiment-analyse/)
## Python Bibliotheken:
Pattern, VADER, BERT, TextBlob, spacy, CoreNLP, scikit-learn, Polyglot, PyTorch, Flair
[Top 10 Libraries](https://www.unite.ai/10-best-python-libraries-for-sentiment-analysis/)
### FinBERT
Financial Sentiment Analysis with BERT
[Paper](https://arxiv.org/pdf/1908.10063.pdf)
@@ -26,18 +32,16 @@ Financial Sentiment Analysis with BERT
[Minimal Example](https://huggingface.co/yiyanghkust/finbert-tone)
# Topic Modeling
- Text-Mining-Methode, um Themen in Textsammlungen zu finden
- Suche nach Trends und Mustern in unstrukturierten Daten
- Verfahren: Latent Dirichlet Allokation (LDA), Probabilistic Latent Semantic Analysis (PLSA), Non-Negative Matrix Factorization (NMF)
- Verfahren: Latent Dirichlet Allokation (LDA), Probabilistic Latent Semantic Analysis (PLSA), Non-Negative Matrix
Factorization (NMF)
- Document Clustering
[Beispiel Blog-Analyse](https://blog.codecentric.de/topic-modeling-codecentric-blog-articles)
## Python Bibliotheken:
Gensim (ggf. Erweiterung gensim-finance), spacy, NLTK, scikit-learn, PyCaret