4. Vorschläge zur Produktentwicklung und -verbesserung in Produktbewertungen

Das Kapitel untersucht den Einsatz von Natural Language Processing für die Analyse von Online-Bewertungen, die als wertvolles Feedbackinstrument für Unternehmen fungieren. Dabei wird sich auf die Verallgemeinerbarkeit der Modellierung konzentriert, die in der Literatur bisher kaum untersucht wurde. Es wird gezeigt, wie man ein kategorienunabhängiges Modell trainiert, um Vorschläge in Produktrezensionen von Verbrauchern zu erkennen. Der Verallgemeinerungsfehler wird mit Hilfe eines Leave-One-Category-Out-Ansatzes auf der Grundlage von 10.000 Sätzen von Rezensionen aus zehn High-Involvement- und zehn Low-Involvement-Kategorien bestimmt. Es zeigt sich, dass das kategorienunabhängige Modell mit einem F1-Score von 0,83 fast genauso gut abschneidet wie ein speziell trainiertes Modell. Dabei sind Transformer-Modelle den klassischen Deep-Learning-Modellen deutlich überlegen. Sie erzielen selbst bei einer sehr geringen Datenmenge sehr gute Ergebnisse. Es werden weitere Empfehlungen für die Datenvorbereitung gegeben, wie z. B. stratifiziertes Sampling, um eine hohe Leistung für ein agnostisches Modell zu erreichen.