Aufgrund des stark gestiegenen Wettbewerbs im Hotelgewerbe sind die Ansprüche der Reisenden an ihre Unterkunft gestiegen. Unternehmer sind sich nicht immer der Probleme bewusst, die ihre Kunden während ihres Aufenthalts haben, was kleine und mittlere Unternehmen daran hindert, einen Wettbewerbsvorteil auf dem Markt zu erlangen. In dieser Forschungsarbeit teste und vergleiche ich verschiedene überwachte und unüberwachte Lerntechniken sowie Modelle zur Sentiment-Erkennung anhand von 500.000 Bewertungen auf Booking.com. Die Ergebnisse zeigen, dass SpaCy die am besten mit Deep Learning kompatible Sentiment Extraktionsmethode bietet. Neuronale Netze übertreffen in der Regel klassische Algorithmen, mit der einzigen Ausnahme von Random Forest, das eine herausragende Genauigkeit und Leistung aufweist, die mit BERT und RoBERTa vergleichbar ist. Um die allgemeine Kundenzufriedenheit zu verbessern, schlage ich außerdem drei Open-Source-Webanwendungen für das Hotelmanagement vor: Filterung, ein selbst entwickeltes Priorisierungsmodell, das sich auf negative Erfahrungen konzentriert, und ein anpassbares Rankingsystem, das die individuellen Besonderheiten des Hotels abdeckt.

Travellers have become more demanding of accommodation as the hotel industry has become more competitive. Business owners are not always aware of the problems customers experience during their stay, which prevents small and medium sized businesses from gaining a competitive advantage in the market. In this thesis, I test and compare various supervised and unsupervised learning techniques and sentiment detection models on 500,000 Booking.com reviews. The results show that SpaCy offers the most compatible sentiment extraction method for deep learning. Neural networks tend to outperform classical algorithms, with Random Forest being the only exception, demonstrating excellent accuracy and performance comparable to BERT and RoBERTa. In addition, to improve overall customer satisfaction, I also propose three open-source web applications for hotel management, which include filtering, a self-developed prioritisation model with a focus on negative experiences, and an adjustable re-ranking system that covers individual characteristics of the accommodation.