Julian Hofer

• Diese Arbeit beschäftigt sich damit wie Deep Neural Networks (DNN) genutzt werden können, um Videospielbewertungen auf Basis eines von Benutzer*innen geschriebenen Textes, einen Score zuzuweisen. Da es sich hierbei um von Endbenutzer*innen verfasste Bewertungen handelt, müssen für diese Arbeit einerseits Maßnahmen auf Basis von schlechter Rechtschreibung und Grammatik getroffen werden, andererseits auch derzeitige Trends wie das Review Bombing berücksichtigt werden. Um dies zu bewerkstelligen, wurde CRISP-DM als Vorgehensmodell gewählt, um die Texte mit den jeweiligen Scores zu analysieren. Ein Webcrawler wurde verwendet um Nutzerwertungen mit Text und Score von der Seite metacritic.com zu extrahieren. Diese Daten wurden dann basierend auf mehreren Faktoren gefiltert und in Trainings-, Validierungs- und Testdatensatz aufgeteilt. Alles in allem wurden insgesamt 420.000 Bewertungen für das Trainieren, Validieren und Testen der Modelle verwendet. Zwei unterschiedliche Arten von neuronalen Netzen wurden trainiert: Long-Short-Term-Memory (LSTM) und Transformer. Beide Netzwerke wurden mit leicht unterschiedlichen Testdatensätzen auf verschiedenste Parameter verglichen. Die Ergebnisse zeigen, dass Transformer LSTMs in verschiedensten Metriken entweder leicht oder sogar mit großer Signifikanz übertreffen. Weiters sind Transformer sehr viel einfacher Hardware-optimal zu trainieren, da sie für Parallelisierung konzipiert sind, was sich in den Trainingszeiten widerspiegelt.
• This thesis explores the ways in which deep neural networks (DNN) can be used to assign video game reviews a score based on the written text provided by the user. Since this involves user-written video game reviews, additional challenges must also be addressed, such as bad writing and grammar, as well as issues with proper categorization due to the recent trends such as review bombing. To accomplish this, I first use CRISP-DM to analyze the data given in video game reviews with a score. A crawler was used to scrape user reviews from metacritic.com that have a text and a score attached to them. This data was then filtered for several factors to have a clean training, validation and test set for model training. In total, about 420,000 written reviews were used for training, validation or testing. Two different types of DNN were then trained and compared: Long- Short- Term Memory Networks (LSTM) and Transformers. These networks were then compared to each other with different test data sets based. The results show that Transformers outperform LSTMs in different parameters by slight to significant margins. Furthermore, Transformers were the easiest model to train and offer the option for fast iteration in training.