Top

Published in:

2020 | OriginalPaper | Chapter

3. Polarität: Dokumente klassifizieren

Authors : Melanie Siegel, Melpomeni Alexa

Published in: Sentiment-Analyse deutschsprachiger Meinungsäußerungen

Publisher: Springer Fachmedien Wiesbaden

Activate our intelligent search to find suitable subject content or patents.

search-config

AI-assisted search

Off

Zusammenfassung

Bei der Dokumentklassifikation geht es darum, für ein Dokument zu entscheiden, ob es insgesamt eine positive, negative oder neutrale Meinungsäußerung ist. Diese Klassifikation nennt man “Polarität”. Bei der GermEval Shared Task 2017 (Wojatzki et al. 2017b) war die Dokumentklassifikation die Aufgabe, an der sich alle teilnehmenden Gruppen beteiligten.

Dont have a licence yet? Then find out more about our products and how to get one now:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

über 102.000 Bücher
über 537 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Finance + Banking
Management + Führung
Marketing + Vertrieb
Maschinenbau + Werkstoffe
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

inform now

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 390 Zeitschriften

aus folgenden Fachgebieten:

Automobil + Motoren
Bauwesen + Immobilien
Business IT + Informatik
Elektrotechnik + Elektronik
Energie + Nachhaltigkeit
Maschinenbau + Werkstoffe

Jetzt Wissensvorsprung sichern!

inform now

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

über 67.000 Bücher
über 340 Zeitschriften

aus folgenden Fachgebieten:

Bauwesen + Immobilien
Business IT + Informatik
Finance + Banking
Management + Führung
Marketing + Vertrieb
Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

inform now

previous chapter Sentiment Retrieval – Meinungsäußerungen identifizieren

next chapter Wörter in der Sentiment-Analyse

Die Unterscheidung von relevanten (zur deutschen Bahn) und nicht-relevanten Texten war eine Aufgabe in GermEval 2017, die wir hier aber außer Acht lassen.

Vielen Dank an unseren Kollegen Reginald Ferber für die Erklärung.

(Heyer et al. 2006, S. 102)

vgl. (Heyer et al. 2006, S. 106)

(Heyer et al. 2006, S. 108)

https://machinelearningmastery.com/machine-learning-in-python-step-by-step/

https://pandas.pydata.org/about/

https://scikit-learn.org/stable/

https://docs.python.org/3/library/pickle.html

Beim Tf-idf-Maß handelt es sich um ein Maß aus dem Information Retrieval, bei dem die Häufigkeit des Auftretens eines Wortes in einem Dokument mit der Häufigkeit des Auftretens in der gesamten Dokumentmenge in Beziehung gesetzt wird. Für nähere Informationen dazu siehe (Ferber 2003).

https://spacy.io/

Title: Polarität: Dokumente klassifizieren
Authors: Melanie Siegel
Melpomeni Alexa
Publisher: Springer Fachmedien Wiesbaden
Book: Sentiment-Analyse deutschsprachiger Meinungsäußerungen
Print ISBN: 978-3-658-29698-8

Electronic ISBN: 978-3-658-29699-5

Copyright Year: 2020
DOI: https://doi.org/10.1007/978-3-658-29699-5_3

Springer Professional

Zusammenfassung

Please log in to get access to your license.

Dont have a licence yet? Then find out more about our products and how to get one now:

Springer Professional "Wirtschaft+Technik"

Springer Professional "Technik"

Springer Professional "Wirtschaft"

Premium Partner