Development of a Machine Learning System for Aspect-Based Sentiment Analysis and Text Summarization of Video Game Reviews on Steam

Abstract

As video games’ popularity as a form of entertainment grows, so as the difficulties in dealing with the enormous amount of reviews generated by users. NLP (Natural language processing) techniques can be used to summarize the opinions in these reviews, which helps developers immensely in understanding customers and supports potential customers’ buying decisions. This study introduces SteamInsider - an unsupervised machine learning system for aspect-based sentiment analysis, text summarization, and data visualization of video game reviews on Steama. The system uses a simple rule-based approach to extract the most important keywords from a game’s user reviews and cluster them into groups, which are called aspects. We then perform sentiment analysis on each sentence that belongs to an aspect using a pre-trained RNN-based sentiment classifier. Based on reader’s preferences like aspects, polarities, time, etc., certain sentences are extracted, and then clustering methods are used to identify salient opinions and generate a customizable extractive summarization. A dashboard for visualizing the results and further complex analyses is also created. The unsupervised system shows great usefulness and efficiency, which can potentially be applied to other domains like mobiles app, product, hotel or restaurant reviews, etc.

Mit der Popularität von Videospielen als Unterhaltungsform wächst auch die Schwierigkeit, mit der enormen Menge an Bewertungen umzugehen, die von den Nutzern generiert werden. NLP-Techniken (Natural Language Processing) können verwendet werden, um die Meinungen in diesen Bewertungen zusammenzufassen, was Entwicklern immens hilft, Kunden zu verstehen und Kaufentscheidungen potenzieller Kunden zu unterstützen. Diese Studie stellt SteamInsider vor – ein unbeaufsichtigtes maschinelles Lernsystem für aspektbasierte Stimmungsanalyse, Textzusammenfassung und Datenvisualisierung von Videospielbewertungen auf Steama. Das System verwendet einen einfachen regelbasierten Ansatz, um die wichtigsten Schlüsselwörter aus den Benutzerbewertungen eines Spiels zu extrahieren und sie in Gruppen, die als Aspekte bezeichnet werden, zu gruppieren. Wir führen dann eine Sentiment-Analyse für jeden Satz durch, der zu einem Aspekt gehört, indem wir einen vortrainierten RNN-basierten Sentiment-Klassifikator verwenden. Basierend auf den Vorlieben des Lesers wie Aspekten, Polaritäten, Zeit usw. werden bestimmte Sätze extrahiert und dann werden Clustering-Methoden verwendet, um auffallende Meinungen zu identifizieren und eine anpassbare extraktive Zusammenfassung zu generieren. Außerdem wird ein Dashboard zur Visualisierung der Ergebnisse und weiteren komplexen Analysen erstellt. Das unbeaufsichtigte System zeigt eine große Nützlichkeit und Effizienz, die möglicherweise auf andere Domänen wie mobile Apps, Produkt-, Hotel- oder Restaurantbewertungen usw. angewendet werden kann.