Sofortantwort
Sentiment-Analyse einfach erklärt
Automatische Erkennung von Stimmungen und Meinungen in Texten.
- Kurz gesagt
- Klassifiziert Texte automatisch als positiv, negativ oder neutral
- Typischer Einsatz
- Social-Media-Monitoring, Review-Analyse, Voice of Customer
- Wichtig zu wissen
- Moderne LLMs erkennen auch Ironie, Sarkasmus und feine Nuancen
Sentiment-Analyse im Überblick
Sentiment-Analyse erkennt automatisch die Stimmung in Texten – ob jemand zufrieden, unzufrieden oder neutral ist. Statt tausende Kommentare manuell zu lesen, liefert KI in Sekunden eine Übersicht.
Drei Ansätze:
1. Lexikon-basiert: Wörterliste (gut=+1, schlecht=-1) → Schnell, aber ungenau
2. ML-klassisch: Trainiertes Modell (SVM, BERT) → Genau, braucht Trainingsdaten
3. LLM Zero-Shot: "Ist dieser Text positiv?" → Flexibel, keine Daten nötigGranularitäts-Stufen
| Stufe | Output | Beispiel |
|---|---|---|
| Binär | Positiv / Negativ | Review-Filter |
| 3-Klassen | Positiv / Neutral / Negativ | Standard-Analyse |
| 5-Sterne | Score 1–5 | Review-Rating-Vorhersage |
| Aspekt-basiert | Stimmung pro Thema | “Essen: positiv, Service: negativ” |
| Emotion | Freude, Ärger, Angst etc. | Social-Media-Monitoring |
Praxisbeispiel mit LLM
Prompt:
"Analysiere die Stimmung dieser Kundenbewertung.
Gib zurück: Gesamtstimmung und Stimmung pro Aspekt.
Bewertung: 'Das Produkt ist fantastisch, die Qualität
übertrifft meine Erwartungen. Leider hat die Lieferung
3 Wochen gedauert und der Support war nicht erreichbar.'"
LLM-Antwort:
Gesamt: Gemischt (leicht positiv)
Produktqualität: Sehr positiv
Lieferung: Negativ
Support: NegativHerausforderungen
- Ironie/Sarkasmus: “Toller Service, nur 4 Wochen gewartet” → positiv oder negativ?
- Domänen-Sprache: “Das Konzert war krank” → negativ oder sehr positiv?
- Mehrsprachigkeit: Stimmung in verschiedenen Sprachen und Kulturen
- Kontextabhängigkeit: Gleicher Text kann in verschiedenen Kontexten anders gemeint sein