Die aspektbasierte Stimmungsanalyse ist eine der drei Ebenen der Stimmungsanalyse – die anderen sind dokumentenbasiert und themenbasiert. Diese Algorithmen arbeiten mit Named Entity Recognition (NER), natürlicher Sprachverarbeitung (NLP) und anderen KI-Techniken zusammen, um die Stimmung zu messen.​​ 

Die aspektbasierte Stimmungsanalyse ist eine Technik des maschinellen Lernens (ML). Sie liefert granulare, umsetzbare Erkenntnisse aus Kundenfeedbackdaten, indem sie diese in kleinere Kategorien aufteilt, um versteckte Markenstimmungen zu finden und zu extrahieren.​​ 

Die Technik analysiert Daten aus verschiedenen Quellen — Kommentare und Videos in sozialen Medien, Rezensionen, Online-Veröffentlichungen und Umfragen — und kann dabei helfen, zu ermitteln, welche Funktionen und Aspekte eines Unternehmens verbessert werden müssen, um den Umsatz zu steigern.​​ 

Document-based sentiment analysis analyzes a whole piece of text and provides a single categorization of the sentiment expressed. at the emotions expressed. Topic-based sentiment analysis breaks pieces of text into words and phrases, clusters them in specific topics such as ‘food’ or ‘customer service’ and calculates sentiments for each of them. A powerful sentiment analysis tool often leverages this advanced technique, ensuring brands automatically receive customer sentiment insights about various aspects of their business without having to manually build tags or labels for topics and keywords relevant to their industry.​​ 

Die aspektbasierte Stimmungsanalyse ist die fortschrittlichste der drei Methoden. Sie extrahiert Aspekte aus Daten, um ihre Stimmung zu messen, und ordnet sie den zuvor identifizierten Themen zu. So werden zum Beispiel Aspekte wie „schneller Service“, „höfliches Personal“ und „Sauberkeit“ identifiziert, ihre Stimmung gemessen und unter dem Thema „Kundenservice“ zusammengefasst. So erhalten Sie themenbezogene und aspektbasierte Stimmungen.​​ 

Ein auf Branchenaspekten basierendes Modell für maschinelles Lernen liefert genauere Erkenntnisse, da sie aus spezifischen Daten abgeleitet werden. Dies ist wichtig, da die Aspekte in jeder Branche unterschiedlich sind. Zum Beispiel haben Aspekte wie „Schalter“ oder „Sparkonto“ in der Bankenbranche keinen Bezug zu Aspekten wie „Essen“ oder „Getränke“ in Restaurants. Mit dieser integrierten Funktion können Marken automatisch Einblicke in die Kundenstimmung zu verschiedenen Aspekten ihres Unternehmens erhalten, ohne manuell Tags oder Labels für Themen und Keywords erstellen zu müssen, die für ihre Branche relevant sind.​​