taralino

ReviewTweets

Das ReviewTweets-Datenpaket beinhaltet insgesamt 2000 Kurznachrichten zur Bewertung von Hotels: Zu jeder Kurznachricht ist eine Information darüber gegeben, ob es sich inhaltlich um eine positive oder negative Stimmung bzw. Rezension handelt (jeweils genau 1000).

Wie genau der Datensatz zum Beispiel zur Sentimentanalyse verwendet werden kann, wird anhand der folgenden Beispiele erläutert.

Datenquelle

Die Inhalte des Datenpakets wurden vom Autor unter Einsatz von Tools der generativen KI erstellt.

Es sei bemerkt, dass die Daten damit mehr oder weniger frei erfunden und insbesondere für Lehrzwecke vorgesehen sind.

Lizenzhinweis

Das ReviewTweets-Datenpaket wird unter der Creative Commons Public Domain 1.0 Universell License vertrieben:

ReviewTweets.js

13. Mai 2025

Die genauen Angaben zur Lizenz findest du unter dem folgenden Link: CC0 1.0

Übersicht

Das ReviewTweets-Datenpaket stellt folgende Funktion zur Verfügung:

Download

Das ReviewTweets-Datenpaket steht über folgenden Link zum Download bereit.

ReviewTweets.js

Beispiel

Es wird ein zufälliges Objekt des Datensatzes ausgegeben.

<!DOCTYPE html>
<html>
<head>
  <meta charset="utf-8">
  <meta name="viewport" content="width=device-width, initial-scale=1.0">
  <script src="taralino.js"></script>
  <script src="ReviewTweets.js"></script>
</head>
<body>
<script>

// Datensatz auslesen
var X = ReviewTweets.dataset();

// Zufaelliges Objekt des Datensatzes
var k = Math.floor(X.length*Math.random());
var T = X[k];

// Gewaehltes Objekt ausgeben
Console.print(T["message"]);
if (T["sentiment"] == 0) Console.print("negative Stimmung");
if (T["sentiment"] == 1) Console.print("positive Stimmung");

</script>
</body>
</html>

Vorschau Download Kopie speichern

Beispiel

Vorgehensweise, wie das Datenpaket zur Sentimentanalyse genutzt werden kann.

<!DOCTYPE html>
<html>
<head>
  <meta charset="utf-8">
  <meta name="viewport" content="width=device-width, initial-scale=1.0">
  <script src="taralino.js"></script>
  <script src="ReviewTweets.js"></script>
</head>
<body>
<script>

// Datensatz auslesen
var S = ReviewTweets.dataset();

// Aufteilung in Trainings- und Testdaten
var T = Split.train_test(S, 3, 1);
var X = T.train;
var Y = T.test;

// Erstellung eines Bag-of-Words auf Basis der Trainingsdaten
Nlp.init(X);

// Vektorisierung der Trainingsdaten
for (var k = 0; k < X.length; k++) {
  X[k]["input"] = Nlp.vectorize(X[k]["message"]);
};

// Vektorisierung der Testdaten
for (var k = 0; k < Y.length; k++) {
  Y[k]["input"] = Nlp.vectorize(Y[k]["message"]);
};

// Initialisierung (Layout des Netzes) und Trainingsphase starten
NeuralNetwork.init([X[0]["input"].length, 2]);
NeuralNetwork.progress(X, Y, {iterations:1000, batch_size:10});

// Wird aufgerufen, wenn Trainingsphase abgeschlossen ist
function on_training_done(data) {
  NeuralNetwork.confusion_matrix(Y, {display:"on"});
};

</script>
</body>
</html>

Vorschau Download Kopie speichern