Problem
Sternebewertungen in Berlin sind fast alle hoch und helfen deshalb wenig bei der Wahl eines Restaurants. Die nützlichen Informationen stehen im Bewertungstext: ob das Essen gelobt wird, ob es Beschwerden über den Service gibt oder ob es als zu teuer empfunden wird.
Was ich gebaut habe
Ich habe mit den Daten angefangen. Ich habe die Foursquare-API und andere Bewertungsquellen ausprobiert und mich dann für einen Datensatz mit TripAdvisor-Bewertungen für Berlin entschieden. Ich habe ihn bereinigt, doppelte Bewertungen entfernt und eine Pipeline zur Textvorverarbeitung gebaut.
Bei der Analyse zeigte sich, dass etwa 95 Prozent der Bewertungen im Datensatz über drei Sterne liegen. Deshalb bin ich von einfacher positiver oder negativer Stimmung zu Bewertungen pro Aspekt übergegangen. Mit VADER und Schlagwortgruppen bekommt jedes Restaurant einen eigenen Wert für Essen, Service und Preis, dazu einen Konfidenzwert, der davon abhängt, wie viele Bewertungen den jeweiligen Aspekt erwähnen. Ein fehlender Aspekt zieht den Gesamtwert nicht mehr nach unten.
Außerdem habe ich ein Docker-Setup und eine kleine Streamlit-Seite zum Ausführen der Skripte hinzugefügt.
Mein Anteil
Das ist ein Einzelprojekt. Von der Datensammlung bis zur Analyse habe ich alles selbst gemacht.
Ergebnis
Es handelt sich um explorative Arbeit. Die Analyse liegt in Notebooks, eine Anwendung für Nutzerinnen und Nutzer gibt es noch nicht. Die Karte, persönliche Vorlieben und ein trainiertes Modell sind noch geplant. Das Projekt ruht im Moment.
Nächste Schritte
Die Bewertungslogik aus den Notebooks in getesteten Code überführen und dann eine einfache Kartenansicht bauen, in der man Restaurants nach Aspekten filtern kann.