Themen finden, Themen beschreiben in Zusammenhang mit Meinungen, Vielfalt und Lokalisierung

1. Von Information zu Wissen
Einsichten Gewinnen
Prof. Dr. Steffen Staab
Institute for Web Science and Technologies
EC Project 257859

2. Business Communities
• Informationsökosystem
– Angestellte
– Geschäftspartner, Kunden
– Öffentlichkeit Werte
Risiken Gelegenheiten
Steffen Staab, staab@uni-koblenz.de 08/09/2012 2

3. Anwendungsfälle
Lotus Connections SAP Community Network (SCN) MeaningMine
Communities Communities Communities
• Employees • Customers • Social media
• Working groups • Partners • News
• Interest Groups • Suppliers • Web fora
• Projects • Developers • Public communities
Business value Business value Business value
• Task relevant information • Products support • Topics
• Collaboration • Services • Opinions
• Innovation • Find business partners • Service for partners
Volume Volume Volume
• 4,000 posts/day • 6,000 posts/day • 1,400,000 posts/day
• 386,000 employees • 1,700,000 subscribers • 708,000 web sources
• 1.5GB content/day • 16GB log/day • 45GB content/day
Employees Business Partners Public Domain
Intranet Extranet Internet
Steffen Staab, staab@uni-koblenz.de 08/09/2012 3

4. Information Verstehen
• Finden von Themen
• Meinungen zu Themen:
– Topic-opinion analysis
• Z.B. positive und negative Meinungen zu Produkten
• Diversität von Meinungen
– Vermeiden von „group think“
• Lokalisierung von Themen
– Globale Themen vs regionale Themen
• Z.B. Nachtflugverbot am Frankfurter Flughafen
– Themen, die sich zeitlich ändern
• XML - 2000
• Soziale Netzwerke - 2010
Steffen Staab, staab@uni-koblenz.de 08/09/2012 4

5. Einfaches Beispiel: Yahoo Nachrichten
Steffen Staab, staab@uni-koblenz.de 08/09/2012 5

6. Kommentare
• Viele
Kommentare
• Verschiedene
Meinungen
• Verschieden
wichtige
Kommentare
Wie macht man
Wissen aus der
Informationsflut?
Steffen Staab, staab@uni-koblenz.de 08/09/2012 6

7. Erster Schritt: Extraktion
Steffen Staab, staab@uni-koblenz.de 08/09/2012 7

8. Zweiter Schritt: Themen erkennen
Torpedo attack
Spiritualism
Religion

9. Zweiter Schritt: Themen erkennen
Erkannte
Themen

10. Dritter Schritt: Themenbasierte Übersicht
more..
more..
Steffen Staab, staab@uni-koblenz.de 08/09/2012 10

11. MEINUNGEN ZU THEMEN

12. Werkzeug für Themen & Meinungen

13. Was ist eine Meinung?

14. Vokabelsammlungen für Meinungen, Gefühle, etc.
ANEW – LIWC –
Linguistic Inquiry and Word
Affective Words for English
Count
Terms (http://www.liwc.net/)
(http://csea.phhp.ufl.edu/media/anewmessa – social
ge.html) – posemo
– Valence – negemo
– affect
– Arousal
– anx
– Dominance – anger
– sad
– feel
– ….
ADUW, POMS,….
Steffen Staab, staab@uni-koblenz.de 08/09/2012 14

15. Vocabulary example: ANEW
Valence Arousal Dominance Freq
Mean SD Mean SD Mean SD Word
rescue 7.70 1.24 6.53 2.56 6.45 2.29 15
gun 3.47 2.48 7.02 1.84 3.53 2.72 118
hopeful 7.10 1.46 5.78 2.09 5.41 1.92 12
ignorance 3.07 2.25 4.39 2.49 4.41 2.38 16
crash 2.31 1.44 6.95 2.44 3.44 2.21 20
confident 7.98 1.29 6.22 2.41 7.68 1.94 16
improve 7.65 1.16 5.69 2.15 6.08 2.25 39
….
Steffen Staab, staab@uni-koblenz.de 08/09/2012 15

16. Vierter Schritt: Übersicht nach Thema und Meinung
Verschiedene Meinungen für ein Thema
Steffen Staab, staab@uni-koblenz.de 08/09/2012 16

17. DIVERSITÄT VON MEINUNGEN

18. Diversität von Themen und Meinungen
Review 1 of 498 Review 2 of 498
"A Review for 99% "Hype reloaded
of us" reloaded: (still) 25 %
Judging by most quality, 75 % hype"
of the bad reviews Overexpensive,
by 12 year old overhyped phone
kids, I doubt most with nice, cool (and
of these people also counter-
even own the new productive) touch-
iPhone. so let me
give you the real
Welche Kommentare screen interface to
show-off.…
lowdown from … soll ich lesen, wenn
ich ein zutreffendes
Gesamtbild erhalten
möchte?

19. Beobachtungen zu Produktkommentaren
 Initiale Kommentare sind oft lang – und bezahlt
 (Nicht die Stimme der Nutzer)
 Leser stimmen darüber ab, welcher Kommentar hilfreich ist
 (Rich get richer)
 Quantität != Qualität
 Kürzere Kommentare of objektiver und präziser
 Viel redundante Information in den Kommentaren
Ziel: Bestmögliche Abdeckung der verschiedenen
Produkteigenschaften und Meinungen

20. FREuD Analyse und Vorschläge
Steffen Staab, staab@uni-koblenz.de 08/09/2012 20

21. FREuD Vorschläge
Review: 1 Review : 2
Apps dont crash, native With the addition of new
apps open quicker, hardware features Apple
voice controls, video has also fractured the
funtionality same once very simple and
cosmetic shape as last unified ecosystem that
years 3G New features OSX Mobile represented.
such as video and voice To exploit new features
control along with the developers now need to
speed boost make the decide if they want to
3GS a great upgrade … support …
Review : 3 Review : 4
I am trying to find out what The iPhone 3GS is virtually
the pros and cons of this the same as its 3G
phone are but I haven't predecessor. The
been able to because so improvements (3.2
far everyone here is megapixel camera,
discussing AT&T , MMS, magnetometer, slightly
and tethering. Please faster processor) are hardly
people, take it elsewhere exciting, and the fact that
and let someone review many of the software …..
the darned phone…
Steffen Staab, staab@uni-koblenz.de 08/09/2012 21

22. LOKALISIERUNG VON
THEMEN

23. 34,707 Flickr Bilder mit Geodaten
BMW
Audi Audi
Citroen
BMW Chevrolet Peugeot
Renault
Citroen
Chevrolet
BMW
Pontiac Mercedes Audi
Chevrolet
Pontiac
Fiat
Mercedes
BMW
34,707 Flickr photos containing car brands
chevrolet, pontiac, cadillac, gmc, buick, audi, bmw, mercedesbenz, fiat, peugeot, citroen, renault
(removed: event-like images tagged by autoshow, show, race, racing)
Steffen Staab, staab@uni-koblenz.de 08/09/2012 23

24. Gibt es Gebiete in denen Themen dominieren?
chevrolet
citroen
pontiac renault
bmw BMW
Audi peugeot
mercedes Audi
Citroen bmw
audi Chevrolet Peugeot
BMW
Renault
Citroen
Chevrolet
BMW
Pontiac Mercedes Audi
Chevrolet
Pontiac
Fiat
Mercedes
BMW
bmw
audi
mercedes
fiat
citroen
Steffen Staab, staab@uni-koblenz.de 08/09/2012 24

25. Geographical network construction
Data points Spatial region centroids Geographical network
Steffen Staab, staab@uni-koblenz.de 08/09/2012 25

26. Visualisation
chevrolet 0.35 bmw 0.29
bmw 0.18 audi 0.18
cadillac 0.16 fiat 0.10
pontiac 0.09 citroen 0.09
gmc 0.07 renault 0.09
buick 0.06 peugeot 0.08
audi 0.05 mercedesbenz 0.06
chevrolet 0.05
Steffen Staab, staab@uni-koblenz.de 08/09/2012 26

27. Visualisation
bmw 0.63 fiat 0.66 renault pontiac 0.92
mercedesbenz 0.17 bmw 0.10 0.28
audi 0.13 citroen 0.09 citroen
renault 0.05 0.22
peugeot
0.15
bmw
0.10
audi
0.09
fiat
0.07
Steffen Staab, staab@uni-koblenz.de 08/09/2012 27

28. Von Information zu Wissen
• Themen in Dokumenten / Web 2.0 erkennen
• Themen verstehen
– Meinungen
– Diversität
Unser Know-How!
– Lokation
• Räumlich Ihre Informationen!
• Zeitlich
• Sozial Ihre Einsichten!
• Beispiele
– Nachrichtenkommentare
– Produktkommentare
– Flickr
Steffen Staab, staab@uni-koblenz.de 08/09/2012 28

29. Unser Know-How!
Ihre Informationen!
Ihre Einsichten!
http://robust-project.eu/
http://west.uni-koblenz.de/
VIELEN DANK FÜR IHRE
AUFMERKSAMKEIT!
Steffen Staab, staab@uni-koblenz.de 08/09/2012 29

30. Bibliographie
Naveed, Nasir; Gottron, Thomas; Sizov, Sergej; Staab, Steffen (2012): FREuD:
Feature-Centric Sentiment Diversification of Online Discussions. In: WebSci'12:
Proceedings of the 4th International Conference on Web Science. ACM, 2012.
Sergej Sizov: GeoFolk: latent spatial semantics in web 2.0 social media. Proc. of
Conf. on Web Search and Data Mining 2010: 281-290, AAAI.
Nasir Naveed, Sergej Sizov, Steffen Staab: ATTention: Understanding Authors and
Topics in Context of Temporal Evolution. European Conference on Information
Retrieval 2011: 733-737. Springer, 2011.
Some of the described work is currently being prepared for publication.