Big (Social) Data Analytics - Seminar (Master)

Seminar

Big (Social) Data Analytics (Master)

Dauer

ein Semester (WS 19/20)

Themenvergabe

04.07. – 11.07.2019:
Präferenzeingaben durch die Studierenden im Tool

12.07.2019:
Hauptrunde des Seminarmatchings

17.07.2019:
Zweite Runde des Seminarmatchings

Leitung

Prof. Dr. Mathias Klier
Andreas Obermeier

Inhalte

Das Seminar Big (Social) Data Analytics baut auf den Veranstaltungen „Big Data Analytics – Methoden und Konzepte“ sowie „Social Network Analysis – Methoden, Konzepte und Anwendungen“ auf und ist inhaltlich dem Schwerpunkt „Technologie- und Prozessmanagement“ zugeordnet.

Im Rahmen der Arbeit sollen Lösungsansätze für spezifische Fragestellungen aus dem Bereich Big (Social) Data Analytics beleuchtet und (weiter-)entwickelt werden.

Anmerkungen

In diesem Seminar erhalten alle Studierenden die gleiche Aufgabenstellung im Rahmen eines Programmier-Contests. Bewertet wird neben einer (kurzen) schriftlichen Ausarbeitung insbesondere auch Ihr Code hinsichtlich Kreativität und Güte der Lösung.

Thema

Programmier-Contest: Topic Modeling und Aspect-Based Sentiment Analysis – Wie können Reviews automatisiert analysiert und interpretiert werden?

In diesem Programmier-Contest haben die teilnehmenden Studierenden die Möglichkeit, ihre Analytics-Fähigkeiten im Bereich Text Mining auszubauen und an einem realen Datensatz zu demonstrieren. Auf Basis von Review-Texten der Plattform Yelp soll dabei eine konkrete wirtschaftswissenschaftliche Fragestellung analysiert werden.

Die Bedeutung von Online-Kundenbewertungen für den Erfolg von Produkten und Dienstleistungen wurde in Forschung und Praxis erkannt. Die Fähigkeit, Kundenbewertungen zu erklären und zu interpretieren, ist daher ein wichtiges und interessantes Forschungsgebiet. Online-Kundenbewertungen bestehen typischerweise aus einer Sternewertung („Rating“) und einem Text-Teil, in dem die Kunden ihre Wertung rechtfertigen. Basierend auf diesen Review-Texten können Verfahren aus dem Text Mining genutzt werden, um die Ratings zu erklären und zu interpretieren. Besonders Aspect-Based Sentiment Analysis scheint hier vielversprechende Ansatzpunkte zu liefern. In Zusammenarbeit mit der Universität Regensburg wurde bereits ein (Regressions-)Modell entwickelt, um Aspect-Based Sentiments aus den Review-Texten zur Erklärung und Interpretierung der zugehörigen Ratings heranzuziehen. Dieses Modell soll nun mit Inputs aus anderen Topic Modeling oder Aspect-Based Sentiment Verfahren angewendet werden.

Im Rahmen der Seminararbeit soll ein Verfahren aus dem Bereich Topic Modeling oder Aspect-Based Sentiment Analysis angewendet werden, um aufbauend auf dessen Ergebnissen Reviews automatisiert zu analysieren und zu interpretieren. Ziel ist es, innerhalb eines Programmier-Contests kreative Text Mining-Lösungen zu implementieren. Dafür stellen wir reale (Yelp-)Daten und eine konkrete Aufgabe zur Verfügung, inkl. einem Evaluationsmaß, an dem der Erfolg der implementierten Verfahren gemessen werden kann. Die bevorzugte Programmiersprache ist Python und es kann auf (vorgegebene) Text Mining Pakete und Tools zurückgegriffen werden. Die ausgewählte(n) Methode(n) sowie ihre Einbettung in die Analyse der Reviews sollen anschließend im Rahmen einer kurzen schriftlichen Ausarbeitung beschrieben werden.

Literaturhinweis: Binder, Markus; Heinrich, Bernd; Klier, Mathias; Obermeier, Andreas Alexander; and Schiller, Alexander, (2019). "EXPLAINING THE STARS: ASPECT-BASED SENTIMENT ANALYSIS OF ONLINE CUSTOMER REVIEWS". In Proceedings of the 27th European Conference on Information Systems (ECIS), Stockholm & Uppsala, Sweden, June 8-14, 2019.

Bearbeitung Die Themen können nur alleine bearbeitet werden. Zur Erlangung des Leistungsnachweises ist die Anfertigung einer Seminararbeit sowie einer Präsentation (10 Minuten) mit anschließender Diskussion (5 Minuten) notwendig.
Meilensteine

Themenvergabe mit Hilfe des zentralen Tools:

·         Deutsche Version:
econ.mathematik.uni-ulm.de/semapps/stud_de/

·         Englische Version:
econ.mathematik.uni-ulm.de/semapps/stud_en/

Abgabe der Seminararbeiten:
Termin wird rechtzeitig bekannt gegeben

Endpräsentation:
Zeitpunkt und Ort werden rechtzeitig bekannt gegeben
Allgemeine Anforderungen  
  • analytische und konzeptionelle Fähigkeiten
  • selbständige, zielorientierte und systematische Arbeitsweise

 

Weitere Informationen siehe Webpage
www.uni-ulm.de/mawi/itop.html