Kontextbezogene Sentiment-Klassifizierung von Filmkritiken

Das rasante Wachstum digitaler Plattformen hat zu einem enormen Anstieg nutzergenerierter Texte geführt, insbesondere von Filmkritiken. Die manuelle Analyse solcher Daten ist schwierig und zeitaufwendig. Die Sentimentanalyse, ein wichtiger Bereich der natürlichen Sprachverarbeitung (NLP), hilft dabei, in Texten zum Ausdruck gebrachte Meinungen automatisch zu identifizieren. In dieser Studie wird ein auf Deep Learning basierendes System entwickelt, um Filmkritiken als positiv oder negativ zu klassifizieren.Verwendet wurde der IMDB-Datensatz mit 50.000 beschrifteten Kritiken. Die Datenvorverarbeitung umfasste das Entfernen von HTML-Tags, Normalisierung, Tokenisierung, Stop-Wort-Entfernung und Stemming. Der verarbeitete Text wurde mithilfe von Wort-Embeddings in numerische Form umgewandelt, um die Bedeutung zu erfassen.Es wurde ein bidirektionales LSTM-Modell verwendet, das den Text in beide Richtungen liest, um den Kontext besser zu verstehen als herkömmliche Modelle. Das Modell wurde mit dem Adam-Optimierer und dem binären Kreuzentropie-Verlust trainiert, wobei Early Stopping eingesetzt wurde, um Überanpassung zu reduzieren.Die Ergebnisse zeigten eine Genauigkeit von etwa 88,5 %, was die Wirksamkeit des Modells belegt. Dieser Ansatz kann in Empfehlungssystemen, bei der Analyse sozialer Medien und bei der Auswertung von Feedback angewendet werden.