...

Amazon Rezensionen mit BERTopic und Python analysieren

10.10.2021 • Lesezeit: ca. 5 min • von Trutz Fries

In diesem Artikel möchten wir Ihnen zeigen, wie Sie mit einigen Zeilen Python Code dem von Google trainierten neuronalen Netz BERT relevante Aspekte aus Amazon Rezensionen extrahieren können. Das gesamte Jupyter Notebook ist am Ende des Artikels verlinkt.

Was ist BERT?

BERT steht für "Bidirectional Encoder Representations from Transformers" und ist ein von Google vortrainiertes Modell, welches im Rahmen des Natural Language Processing (NLP) angewendet wird. Es wurde mit Hilfe eines mehrschichtigen, neuronalen Netzes auf einem sehr großen Text-Korpus vor-trainiert. Dieses Training hat trotz des Einsatzes einer Vielzahl von Googles Servern mehrere Tage gedauert.

Vereinfacht gesagt wurde ein Modell entwickelt, welches die Beziehungen von Worten untereinander, sowie deren Bedeutung besser versteht als andere vergleichbare NLP Modelle. Mit Hilfe von BERT lassen sich unterschiedliche NLP Aufgaben lösen, wie z.B. das Klassifizieren von Texten, die Beantwortung einfacher Fragen oder das sog. "Named Entity Recognition" (NER), bei dem man versucht, aus einem Text die Subjekte und Objekte zu extrahieren und diese zu klassifizieren, z.B. Personen, Firmen, Datumsangaben uvm.

Was ist BERTopic?

BERTopic ist ein von Maarten Grootendorst (opens new window) entwickeltes Python Modul, welches auf die Extraktion von Themen aus Texten spezialisiert ist. Es nutzt dabei ein Verfahren basierend auf BERT und einer abgewandelten TF-IDF-Analyse. Wer mehr über BERTopic erfahren möchte, dem sei dieser (opens new window) oder dieser Artikel (opens new window) empfohlen. Um das folgende Beispiel nachzuvollziehen, muss man das Modul nicht im Detail verstehen.

Analyse von Amazon Rezensionen

Für Marken stellen Rezensionen ein wertvolles Feedback dar, dass diese zudem noch kostenlos erhalten. Einziges Problem ist die Komplexität, die sich aus der Anzahl der Summe sowie der Anzahl der Rezensionen je Produkt ergibt.

Hier wäre daher ein Machine-Learning-Ansatz praktisch, der aus allen Rezensionen die relevanten Themen extrahiert und gruppiert.

Anhand eines Beispiels soll dies illustriert werden. Nehmen wir ein beliebtes Produkt auf Amazon mit vielen Rezensionen, den bite away (opens new window).

bite away

Wir nutzen ein einfaches Jupyter Notebook, um die Daten zu analysieren.

Installieren wir zuerst alle nötigen Bibliotheken:

# Install
!pip install bertopic
!pip install nltk

# Import
import pandas as pd 
import numpy as np
from bertopic import BERTopic

Um später aus den Rezensionen die Stoppwörter zu entfernen, nutzen wir hierfür das nltk Modul und laden die Stoppwörter für die deutsche Sprache:

# Stopwords
import nltk 
nltk.download('punkt')
nltk.download('stopwords')
from nltk.corpus import stopwords
from nltk.tokenize import word_tokenize
stopwords=set(stopwords.words('german'))

Für das Entfernen von Stoppwörtern benötigen wir noch eine Funktion, die aus einem Array von Sätzen / Rezensionen die Stoppwörter entfernt:

# Remove stopwords from an array of strings
def remove_stopwords(data):
    output_array=[]
    for sentence in data:
        temp_list=[]
        for word in str(sentence).split():
            if word.lower() not in stopwords:
                temp_list.append(word)
        output_array.append(' '.join(temp_list))
    return output_array

Als nächstes laden wir die Rezensionen mit Hilfe der Pandas-Bibliothek in einen Dataframe. Die Rezensionen erhalten Sie z.B. über einen Bericht (opens new window) aus unserem Tool AMALYTIX:

df = pd.read_csv("./reviews-B003CMKQTS-de.csv", engine='python')
Alle Rezensionen des bite away
Beispiel-Rezensionen des bite away

Jetzt entfernen wir aus dem Datensatz die positiven Rezensionen (4-5 Sterne), um zu verstehen, was die Kunden kritisieren. Anschließend wandeln wir den Dataframe in eine Liste um und entfernen die Stoppwörter mit Hilfe der oben definierten remove_stopwords Funktion:

# Only get critical reviews (1-3 stars)
dfNegative = df[df.rating < 4]

# Convert df column "text" to list 
reviewsNegativeText = dfNegative.text.to_list()

# Remove stopwords
reviewsNegativeText = remove_stopwords(reviewsNegativeText)

Jetzt erstellen wir unser Modell basierend auf BERTopic:

modelNegative = BERTopic(language="german", nr_topics="auto")

Als nächstes müssen wir dieses Modell noch "finetunen":

topics, probabilities = modelNegative.fit_transform(reviewsNegativeText)

Standardmäßig enthält das Modell nur einzelne Wörter. Mit Hilfe eines einfachen Modell-Updates lassen wir auch Bi-Gramme - also Kombinationen von 2 Wörtern - zu:

modelNegative.update_topics(reviewsTextFiltered, topics, n_gram_range=(1, 2))

Das wars auch schon. Jetzt können wir uns die Ergebnisse anschauen. Schauen wir uns als Erstes die Anzahl der Themenfelder an:

modelNegative.get_topic_freq().head(11)
Alle Rezensionen des bite away
Die ersten zehn Themenfelder

Hier sieht man die ersten zehn Themenfelder ("Topics"). Das Topic mit der -1 ist das Topic mit Inhalten, die nicht zugeordnet werden konnten, dieses können wir daher ignorieren.

Schauen wir uns mal das erste Themenfeld / Topic an:

modelNegative.get_topic(1)
[('defekt', 0.011148147661148565),
 ('monat', 0.008799115337334707),
 ('monaten', 0.007398879507378811),
 ('monaten mehr', 0.007363461462032497),
 ('abgelaufen ist', 0.007026721331499257),
 ('schon defekt', 0.006190625875256987),
 ('verspätung', 0.0061362178850270805),
 ('gerät bereits', 0.005747283493183007),
 ('rücksendefrist', 0.005500258254624393),
 ('gerät 3x', 0.005473215223609577)]

Hier erkennt man, dass sich viele Kunden über die mangelhafte Haltbarkeit beschweren. Scheinbar geht das Produkt häufiger mal kaputt.

Schauen wir mal in Thema 3 rein:

modelNegative.get_topic(3)
[('enttäuscht', 0.007670611779864671),
 ('schmerzhaft', 0.006489256905951043),
 ('heiß', 0.006296142117342345),
 ('schmerz', 0.006095052433498948),
 ('heiß kinder', 0.006035989865595163),
 ('hitze', 0.005749678921426524),
 ('weh nützt', 0.005692691419037523),
 ('tut weh', 0.005277188297220635),
 ('empfindlich', 0.005030634228804426),
 ('eigentlich empfindlich', 0.0050215790931766755)]

Das Produkt scheint einigen Anwendern auch etwas weh zu tun! Das ist bei diesem Produkt auch kein Wunder, da es Mückenstiche mit Hilfe von Hitze bekämpft.

Um schnell die relevanten Keywords je Topic anzuzeigen, eignet sich diese kurze Schleife:

for x in range(0, 10):
    first_tuple_elements = []
    for tuple in modelPositive.get_topic(x):
        first_tuple_elements.append(tuple[0])
    print(first_tuple_elements)
    print("\n")

Ergebnis:

['sterne', 'verarbeitung', 'höllisch weh', 'erwachsene', 'stunde', 'kurze zeit', 'stift eingesetzt', 'eingesetzt stunde', 'sterne verdient', 'zwei punkte']

['defekt', 'monat', 'monaten', 'monaten mehr', 'abgelaufen ist', 'schon defekt', 'verspätung', 'gerät bereits', 'rücksendefrist', 'gerät 3x']

['preis', 'billig', 'wirkung', 'käufer', 'kaufen', 'schlechter', 'schlecht konstruiert', 'neue batterien', 'batteriedeckel', 'bewertungen']

Wir können die Themenfelder auch einfach visualisieren:

modelNegative.visualize_barchart()
Visualisierung der Themenfelder
Visualisierung der Themenfelder

Auch ein graphisches Clustering der Themen ist möglich:

modelNegative.visualize_hierarchy(top_n_topics=20)
Clustering der Themenfelder
Clustering der Themenfelder

Wenn wir das mal vergleichen mit den Schlagworten, die Amazon extrahiert, dann können sich die Ergebnisse sehen lassen:

Themen, die Amazon identifiziert hat
Themen, die Amazon identifiziert hat

Fazit

Mit ca. 30 Zeilen Code konnten wir relevante Informationen aus den Amazon Rezensionen gewinnen. Herausforderung bei der Analyse mehrerer Produkte ist die Dauer. Das Modell über die Methode fit_transform zu tunen dauert jeweils ein paar Minuten. Dennoch könnte sich der Aufwand lohnen, zumal eine händische Analyse sicher nicht schneller vonstatten geht.

Das Notebook können Sie hier (opens new window) herunterladen.

Brauchen Sie mehr Übersicht auf Amazon?
14 Tage kostenlos testen
Haben Sie noch Fragen? Rufen Sie uns an!
Tel. 0221-29 19 12 32 | info@amalytix.com