Natural Language Processing (NLP) im Bankensektor. Chancen und Herausforderungen

Project Report , 2021 , 39 Pages , Grade: 1,3

Business economics - Banking, Stock Exchanges, Insurance, Accounting

Diese Arbeit gibt einen Überblick über die verschiedenen Ansätze zu Natural Language Processing (NLP), zeigt auf, wie die Technologie im Bankensektor angewendet werden kann und welche möglichen Potenziale sich dadurch erschließen lassen.

Der Mensch ist die am weitesten entwickelte Spezies auf der Erde. Der Erfolg des Menschen ist auf seine Fähigkeit zurückzuführen, zu kommunizieren und Informationen auszutauschen. Die Kommunikation zwischen den Menschen basiert auf der Sprache, die mit insgesamt über 7000 an der Zahl eines der vielfältigsten und komplexesten Elemente des menschlichen Daseins darstellt. Laut einem Bericht von Seagate soll die geschätzte Summe der weltweiten Daten bis 2025 auf 175 Zettabyte anwachsen. Mittlerweile werden pro Stunde mehr Daten generiert, als vor nur zwei Jahrzehnten in einem ganzen Jahr. Ein Großteil dieser Daten liegt in Textform vor, die in hohem Maße unstrukturiert ist. Um aus diesen Daten aussagekräftige und verwertbare Erkenntnisse zu gewinnen, ist es wichtig, sich mit der Technik der Verarbeitung natürlicher Sprache, auch Natural Language Processing (NLP) genannt, vertraut zu machen.

Inhaltsverzeichnis

Abkürzungsverzeichnis

Abbildungsverzeichnis

Tabellenverzeichnis

1 Motivation und Zielsetzung

2 Begriffliche und theoretische Grundlagen
2.1 NLP und Linguistik
2.2 NLP im Zusammenhang mit Machine Learning (ML) und Deep Learning (DL)
2.3 Heuristik-basiertes NLP
2.4 Machine Learning für NLP
2.4.1 Naive Bayes
2.4.2 Support Vector Machine (SVM)
2.4.3 Hidden Markov Model (HMM)
2.5 Deep Learning für NLP
2.5.1 Recurrent Neural Networks
2.5.2 Long Short-Term Memory (LSTM)
2.5.3 Convolutional Neural Network (CNN)
2.5.4 Transformers

3 Natural Language Processing-Pipeline
3.1 Datenerfassung
3.2 Textextraktion und -bereinigung
3.3 Pre-Processing
3.4 Feature-Engineering
3.5 Modellierung
3.6 Evaluation
3.7 Post-Modellierungsphase

4 Natural Language Processing im Bankensektor
4.1 Sentimentanalyse
4.1.1 Relevanz von Sentiment im Finanzsektor
4.1.2 Sentimentanalyse
4.1.3 Der Lexikon-basierte Ansatz
4.2 Weitere NLP-Konzepte und Anwendungsfelder
4.3 Vorteile
4.4 Herausforderungen

5 Fazit

Literaturverzeichnis

• College: University of Cooperative Education Mannheim
• Grade: 1,3
• Author: Grigorij Mogilnik (Author)
• Publication Year: 2021
• Pages: 39
• Catalog Number: V1139665
• ISBN (eBook): 9783346515094
• ISBN (Book): 9783346515100
• Language: German
• Tags: NLP, Natural Language Processing, Digitalisierung, Digital Finance, Künstliche Intelligenz, KI, AI, Machine Learning, Deep Learning, Artificial Intelligence, NLP-Pipeline, Computerlinguistik