Erklärbare Sentimentanalyse
Die erklärbare Sentimentanalyse kombiniert ein Sentiment-Klassifikationsmodell – typischerweise einen feinabgestimmten Transformer wie BERT oder RoBERTa – mit einer Post-hoc- oder intrinsischen Erklärungsmethode (SHAP, LIME, Aufmerksamkeitsvisualisierung oder integrierte Gradienten), die aufzeigt, welche Wörter, Phrasen oder Merkmale jede Vorhersage maßgeblich beeinflusst haben. Ziel ist sowohl eine hohe Vorhersagegenauigkeit als auch transparente, nachvollziehbare Begründungen für jede Klassifizierung.
Die vollständige Methode lesen
Melden Sie sich mit einem kostenlosen Konto an, um diesen Abschnitt zu lesen.
Method map
The neighbourhood of related methods — select a node to explore.
Quellen
- Danilevsky, M., Qian, K., Aharonov, R., Katsis, Y., Kawas, B., & Sen, P. (2020). A Survey of the State of Explainable AI for Natural Language Processing. Proceedings of the 1st Conference of the Asia-Pacific Chapter of the ACL and the 10th IJCNLP, 447–459. link ↗
- Lundberg, S. M., & Lee, S.-I. (2017). A Unified Approach to Interpreting Model Predictions. Advances in Neural Information Processing Systems (NeurIPS), 30, 4765–4774. link ↗
So zitieren Sie diese Seite
ScholarGate. (2026, June 3). Explainable Sentiment Analysis (XAI-augmented Opinion Mining). ScholarGate. https://scholargate.app/de/deep-learning/explainable-sentiment-analysis
Which method?
Set this method beside its closest kin and read them side by side — the library lays the books on the table; the choice is yours.
- BERT-basierte KlassifikationDeep Learning↔ compare
- Erklärbare BERT-basierte KlassifikationDeep Learning↔ compare
- RoBERTa-basierte KlassifikationDeep Learning↔ compare
- Sentence EmbeddingsDeep Learning↔ compare
- ThemenmodellierungDeep Learning↔ compare
Referenziert von
Einen Fehler auf dieser Seite entdeckt? Melden oder Korrektur vorschlagen →