Hybrid Deep Neural Network steigert Sentiment‑Analyse auf 95 % Genauigkeit

Die Analyse von Kundenmeinungen ist heute ein entscheidender Faktor für Unternehmensentscheidungen, da soziale Medien und E‑Commerce immer mehr Einfluss gewinnen. Textbasierte Bewertungen liefern dabei die strukturierte Basis für Sentiment‑Analysen, doch herkömmliche lexikonbasierte Ansätze und klassische Machine‑Learning‑Methoden stoßen an ihre Grenzen, wenn es um Kontextnuancen und Skalierbarkeit geht.

Deep‑Learning‑Modelle haben in den letzten Jahren gezeigt, dass sie semantische Beziehungen besser erfassen können – insbesondere Recurrent Neural Networks (RNNs) und Convolutional Neural Networks (CNNs). Dennoch bleiben Herausforderungen wie die Handhabung von Kontext, die Skalierbarkeit auf große Datenmengen und das Problem von Klassenungleichgewichten bestehen.

Um diese Schwächen zu überwinden, hat ein Forschungsteam ein hybrides Deep‑Neural‑Network entwickelt, das bidirektionale Gated Recurrent Units (BGRU) mit Long Short‑Term Memory (LSTM) kombiniert. Die so entstandene HBGRU‑LSTM‑Architektur zielt darauf ab, die Genauigkeit der Sentiment‑Analyse zu erhöhen und gleichzeitig die Erkennung von negativen Stimmungen zu verbessern.

In umfangreichen Experimenten mit den Benchmark‑Datensätzen IMDB‑Filmkritiken und Amazon‑Produktbewertungen erzielte das Modell eine Test‑Genauigkeit von 95 %. Damit übertrifft es etablierte Deep‑Learning‑Frameworks wie LSTM (93,06 %), CNN+LSTM (93,31 %) und GRU+LSTM (92,20 %). Besonders bemerkenswert ist die Steigerung des Recall‑Werts für negative Sentiments von 86 % auf 96 % bei einem ausgeglichenen Datensatz, was die Robustheit des Ansatzes unterstreicht.

Diese Ergebnisse zeigen, dass die Kombination von BGRU und LSTM ein vielversprechender Weg ist, um die Herausforderungen der Sentiment‑Analyse zu meistern und Unternehmen präzisere Einblicke in Kundenmeinungen zu ermöglichen.