Sentimentanalyse von Hotel-bewertungen mittels Deep Learning und BiLSTM: LSTM- bidirektionale LSTM-Modelle

Im digitalen Zeitalter hat das rasante Wachstum von Online-Plattformen die Hotellerie erheblich verändert, wobei Kundenentscheidungen zunehmend von nutzergenerierten Bewertungen beeinflusst werden. Diese Bewertungen liefern wertvolle Einblicke in die Kundenerfahrungen; allerdings macht die enorme Menge an unstrukturierten Textdaten eine manuelle Analyse ineffizient und unpraktisch. Um dieser Herausforderung zu begegnen, schlägt diese Studie ein automatisiertes System zur Sentimentanalyse vor, das Deep-Learning-Techniken nutzt, um Hotelbewertungen in positive und negative Stimmungen zu klassifizieren. Die Untersuchung stützt sich auf einen umfangreichen Datensatz mit über 500.000 Hotelbewertungen, der einer umfassenden Vorverarbeitung unterzogen wird, einschließlich Textbereinigung, Tokenisierung, Entfernung von Stoppwörtern und Datenausgleich, um die Zuverlässigkeit des Modells sicherzustellen. Es wird eine explorative Datenanalyse (EDA) durchgeführt, um die Datenverteilung zu verstehen und aussagekräftige Muster zu extrahieren. Die aufbereiteten Textdaten werden anschließend mithilfe von Tokenisierung und Sequenz-Padding-Techniken in numerische Darstellungen umgewandelt. Zwei Deep-Learning-Modelle, Long Short-Term Memory (LSTM) und Bidirectional Long Short-Term Memory (BiLSTM), werden implementiert, um sequenzielle Abhängigkeiten und kontextuelle Beziehungen zu erfassen.