TUD IS sentiment analysis

This Repository containes code to do sentiment analysis for different terms related from information systems research.

Notes

• Sentiment nicht schwer zu berechnen
• Verwendete Modelle: vader google-cloud
• Idee: vergleich verschiedener Modelle (Google AWS, Microsoft) weil: Modelle unterscheiden sich.
• Bedenken wegen sehr großer anzahl an tweets: wie könnten wir eine Vorauswahl treffen z.B die 100 ersten jede Woche.
• Tweets für Sentimentanalyse kombinieren: nur einen langen Text draus machen.
• Kritischer Punkt: reicht Akademic Product Track

TODOS

• weitere begriffe probieren

  • 3 Monate artificial intelligence
  • 12 monate climate change
  • 1 Jahr "Ampel-Koalition"
  • möglichst lange cannabis-legalisierung
  • facebook
  • corona

• Limitierungen vorsehen: 1000 Most popular?

  • Versuch: 100 most popular pro tag für 1 Jahr runterladen.

• Recherchieren: Was ist SoTA: Gruppieren und dann Sentiment berechnen, oder Sentiment Berehnen und Scores dann aggregieren.

  • 1. Gruppierung ==> 2. Berechnung spart API-Calls

DONES

• Recherche: Ist die Google-NLP-API Mehrsprachig?
  • Ja, aber: Die analyze_sentiment-Funktion ist mehrsprachig, die analyze_entity_sentiment-Funktion funktioniert nur auf Englisch, andere sprachen führe zu einer Fehlermeldung.
  • Sollten wir uns auf Englische Tweets verlassen, oder "nur" die analyze_sentiment-Funktion? ==> analyze_sentimentFunktion
• Einbindung Twitter-API "Academic Track"
  • Credentials bekommen; funktionieren soweit.
• Billing Google-NLP-API auf FG umgestellt.
• 'Kleine' Dokumentation erstellt (Sinn und Zweck des Tools)
  • In tool-Notebook eingefügt
• Gruppierung nach verschiedener "Granularität" ==> Tag, Monat, Jahr
• Grafiken verschönert
  • Matplotlib tunen (config von Patrick)
• Colab
  • 1 Fehler behoben
• Gruppierung nach Country statt Sprache
• Suchbegriff in Diagrammüberschrift
• time.sleep vor twitter Anfrage
• nachforschung trend kaputt (pandasversion?)
• plt savefig
• CSV export
• einzelne tweets rausfiltern und anzeigen