Big (Social) Data Analytics - Seminar (Master)

Seminar

Big (Social) Data Analytics (Master)

Dauer

ein Semester (WS 20/21)

Themenvergabe

13.07. – 18.07.2020:
Präferenzeingaben durch die Studierenden im Tool

19.07.2020:
Hauptrunde des Seminarmatchings

23.07.2020:
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 Hands-On Data Science Cases. Bewertet wird neben einer (kurzen) schriftlichen Ausarbeitung insbesondere auch Ihre Lösung hinsichtlich Kreativität und Güte der Lösung.
Thema

Hands-On Data Science: Aspect-Based Sentiment Analysis - Wie können Reviews automatisiert analysiert und interpretiert werden?

In diesem Hands-On Data Science Projekt 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 soll dabei eine konkrete wirtschaftswissenschaftliche Fragestellung aus dem Bereich Aspect-Based Sentiment Analysis bearbeitet 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. Dabei werden Meinungsäußerungen zu bestimmten Aspekten der bewerteten Entitäten (z. B. Ambiente, Service- bzw. Essensqualität und Preis bei Restaurants) automatisiert analysiert.

Im Rahmen der Seminararbeit soll ein Verfahren aus dem Bereich Aspect-Based Sentiment Analysis angewendet werden, um aufbauend auf dessen Ergebnissen Reviews automatisiert zu analysieren und zu interpretieren. Ziel ist es, innerhalb eines Hands-On Data Science Projekts kreative Text Mining-Lösungen zu implementieren. Dabei lernen die Studierenden alle Schritte eines solchen Projekts kennen (vom Labeling der Daten bis zur Interpretation der Ergebnisse). Dafür stellen wir reale Review-Daten und eine konkrete Aufgabe zur Verfügung, inkl. einem Evaluationsmaß, an dem der Erfolg der implementierten Verfahren gemessen werden kann. Zur Bearbeitung des Cases sind Programmierkenntnisse (z. B. in Python oder R) von Vorteil werden aber nicht explizit vorausgesetzt. Die ausgewählte(n) Methode(n) sowie ihre Einbettung in die Analyse der Reviews sind im Rahmen einer kurzen schriftlichen Ausarbeitung zu beschreiben.

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 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