In der Welt des Online-Shoppings verlassen sich ca. 88 % der Kunden bei der Auswahl von Produkten auf Online-Reviews, wie eine Analyse des Kaufverhaltens zeigt. Dabei sind die gefragten Produktbewertungen meist gar nicht direkt in den Webshops verfügbar. Online-Kunden recherchieren deshalb auf Produktbewertungsseiten, wobei sie dafür die Seite ihres Webshops verlassen. Dabei könnten alle kaufrelevanten Produktinformationen direkt im Webshop verfügbar gemacht werden.
Ein Kunde interessiert sich beispielsweise für den Kauf eines Laptops und überprüft die Sternebewertung eines Gerätes im Online-Shop. Weil eine Komponente dieses Laptops, etwa das Touchpad, bei Konsumenten nicht gut ankommt, ist seine Gesamtbewertung schlechter. Der Kunde arbeitet aber mit der Maus und benötigt kein Touchpad, wird aber von der Bewertung abgeschreckt, weil der Online-Shop keine aufgegliederte Bewertung über Einzelkomponenten anbietet.
Forscher des Studienganges ITS/AISP arbeiten gemeinsam mit dem Salzburger Start-up Unternehmen fact.ai daran, diesen Service zu verbessern. Im Forschungsprojekt FME Fakten- und Meinungsextraktion beschäftigen sich die Experten für Data Mining und Pattern Recognition rund um Stefan Wegenkittl dazu mit den neuesten mathematischen Modellen, Methoden und Algorithmen aus den Bereichen Deep learning, Sentiment Analysis und Hidden Markov Modellen.
In der Forschungsarbeit werden zunächst Online-Expertenberichte zu Produktkategorien gecrawlt und relevante Informationen zu den jeweiligen Produkten und Produktkomponenten extrahiert. Mittels computerlinguistischer Analyse können die Forscher dann Produktkomponenten (Themen), die in Testberichten beschrieben werden, identifizieren. „Dazu wird ein Wortvektormodell trainiert, das auch als Grundlage für die Sentiment-Analyse dient.“, meint Werner Pomwenger. Ausgehend von einem so identifizierten Wortvektormodell kann die Produktbeschreibung (Sätze) mittels Sentiment-Analyse in ein fünf-sterniges Bewertungssystem klassifiziert werden. Um mit dem Verfahren auch unterschiedliche Produkttypen servicieren zu können, werden die Forscher den Algorithmus der in den Webshops implementiert werden kann, weiterentwickeln.
„Wir erreichen mit den maschinellen Verfahren in etwa die selbe Trefferquote wie bei humaner, manueller Zuordnung der Bewertungen zu den einzelnen Produktkomponenten.“, erklärt Cornelia Ferner. Das bedeutet einen enormen Zeitgewinn durch das maschinelle Verfahren bei gleichbleibender Genauigkeit.
FME
