Ensemble-Methoden und Methoden des aktiven Lernens für die Klassifikation von Meinungsströmen - OSCAR

• Antragstellerinnen: Professorin Dr. Eirini Ntoutsi; Professorin Dr. Myra Spiliopoulou
• Fachliche Zuordnung: Sicherheit und Verlässlichkeit, Betriebs-, Kommunikations- und verteilte Systeme
• Förderung: Förderung von 2016 bis 2019
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 317686254

• Erstellungsjahr: 2020

Zusammenfassung der Projektergebnisse

Viele Menschen nutzen soziale Medien, um ihre Meinung zu diversen Themen, Veranstaltungen, Produkten usw. zu veröffentlichen. Institutionen nutzen diese Meinungen, um Modelle abzuleiten. Im Laufe der Zeit kann es jedoch zu Veränderungen kommen, welche die Modelle ungültig machen. Veränderungen betreffen die allgemeine Stimmung zu einem Thema, bestimmten Facetten eines Themas, sowie die Wörter, mit denen die Stimmung ausgedrückt wird. In OSCAR untersuchten wir, worüber Menschen sprechen, wenn sie ihre Meinung äußern: Wir identifizierten "Wörter", die eine Historie und eine Wirkung haben, die beide auch in Wörtern ausgedrückt werden; wir identifizierten auch die "Entitäten" hinter den Wörtern; dies sind die Objekte, über die Menschen sprechen, z.B. Produkte, Erkrankungen, Behandlungen, sowie die Subjekte, nämlich die Menschen selbst, z.B. als AutorInnen von Produktrezensionen, als NutzerInnen von Dienstleistungen, als PatientInnen in einem Selbsthilfeforum. Wir haben Algorithmen entwickelt, die überwachen, wie sich die Semantik der Wörter und die Eigenschaften der Entitäten mit der Zeit ändern. Wir haben unsere Algorithmen an Textströmen in sozialen Foren, an Meinungsströmen zu Produkten und an Interaktionen von PatientInnen mit eHealth-Plattformen und mHealth-Apps getestet. Wir haben festgestellt, dass unsere Algorithmen großes Potenzial im fairnessbewussten maschinellen Lernen und in der digitalen Unterstützung von PatientInnen mit chronischen Erkrankungen haben.

Projektbezogene Publikationen (Auswahl)

• Large scale sentiment learning with limited labels. In Proceedings of the 23rd ACM SIGKDD international conference on knowledge discovery and data mining, pages 1823–1832, 2017, ACM
  Vasileios Iosifidis and Eirini Ntoutsi
  (Siehe online unter https://doi.org/10.1145/3097983.3098159)
• Patient empowerment through summarization of discussion threads on treatments in a patient self-help forum. In: Nicos Maglaveras, Ioanna Chouvarda, and Paulo de Carvalho, editors, Precision Medicine Powered by pHealth and Connected Health, pages 229–233, Singapore, 2018. Springer Singapore
  Sourabh Dandage, Johannes Huber, Atin Janki, Uli Niemann, Rüdiger u Pryss, Manfred Reichert, Steve Harrison, Markku Vessala, Winfried Schlee, Thomas Probst, and Myra Spiliopoulou
  (Siehe online unter https://doi.org/10.1007/978-981-10-7419-6_38)
• Sentiment classification over opinionated data streams through informed model adaptation. In International Conference on Theory and Practice of Digital Libraries,pages 369–381, 2017, Springer
  Vasileios Iosifidis, Annina Oelschlager, and Eirini Ntoutsi
  (Siehe online unter https://doi.org/10.1007/978-3-319-67008-9_29)
• Active stream learning with an oracle of unknown availability for sentiment prediction. In Proceedings of the Workshop on Interactive Adaptive Learning (IAL’18) at ECML PKDD 2018, Dublin, Ireland, pages 36–47, 2018.
  Elson Serrao and Myra Spiliopoulou
  
• Learning under feature drifts in textual streams. In Proceedings of the 27th ACM International Conference on Information and Knowledge Management (CIKM’18), pages 527–536. 2018, ACM
  Damianos P Melidis, Myra Spiliopoulou, and Eirini Ntoutsi
  (Siehe online unter https://doi.org/10.1145/3269206.3271717)
• Predicting polarities of entity-centered documents with- out reading their contents. In Proceedings of the 33rd Annual ACM Symposium on Applied Computing (SAC’18), page 525–528, New York, NY, USA, 2018. ACM
  Christian Beyer, Uli Niemann, Vishnu Unnikrishnan, Eirini Ntoutsi, and Myra Spiliopoulou
  (Siehe online unter https://doi.org/10.1145/3167132.3172870)
• Entity-level stream classification: exploiting entity similarity to label the future observations referring to an entity. International Journal of Data Science and Analytics, Feb 2019
  Vishnu Unnikrishnan, Christian Beyer, Pawel Matuszyk, Uli Niemann, Rüdiger Pryss, Winfried Schlee, Eirini Ntoutsi, and Myra Spiliopoulou
  (Siehe online unter https://doi.org/10.1007/s41060-019-00177-1)
• Exploiting entity information for stream classification over a stream of reviews. In Proceedings of the 34th ACM/SIGAPP Symposium on Applied Computing, SAC ’19, page 564–573, New York, NY, USA, 2019, ACM
  Christian Beyer, Vishnu Unnikrishnan, Uli Niemann, Pawel Matuszyk, Eirini Ntoutsi, and Myra Spiliopoulou
  (Siehe online unter https://doi.org/10.1145/3297280.3297333)
• Sentiment analysis on big sparse data streams with limited labels. Knowledge and Information Systems, pages 1–40, 2019
  Vasileios Iosifidis and Eirini Ntoutsi
  (Siehe online unter https://doi.org/10.1007/s10115-019-01392-9)