Personal tools

Information zum Seitenaufbau und Sprungmarken fuer Screenreader-Benutzer: Ganz oben links auf jeder Seite befindet sich das Logo der JLU, verlinkt mit der Startseite. Neben dem Logo kann sich rechts daneben das Bannerbild anschließen. Rechts daneben kann sich ein weiteres Bild/Schriftzug befinden. Es folgt die Suche. Unterhalb dieser oberen Leiste schliesst sich die Hauptnavigation an. Unterhalb der Hauptnavigation befindet sich der Inhaltsbereich. Die Feinnavigation findet sich - sofern vorhanden - in der linken Spalte. In der rechten Spalte finden Sie ueblicherweise Kontaktdaten. Als Abschluss der Seite findet sich die Brotkrumennavigation und im Fussbereich Links zu Barrierefreiheit, Impressum, Hilfe und das Login fuer Redakteure. Barrierefreiheit JLU - Logo, Link zur Startseite der JLU-Gießen Direkt zur Navigation vertikale linke Navigationsleiste vor Sie sind hier Direkt zum Inhalt vor rechter Kolumne mit zusaetzlichen Informationen vor Suche vor Fußbereich mit Impressum

Document Actions


Our research focuses on the application of computational techniques for understanding and predicting human behavior on digital platforms. Current research projects leverage data science methods, and machine learning to drive domain-specific decisions in a broad selection of business-relevant areas, including, but not limited to, data analytics for social media and electronic commerce, financial data science, and natural language processing for business applications.
Research Focus

Research Focus


Data Analytics for Social Media & Electronic Commerce

We make use of state-of-the-art quantitative methods to understand and predict the dissemination and economic impact of news, comments, and reviews in social media and electronic commerce.


Financial Data Science 

We use data science, natural language processing and machine learning to engineer tools that allow investors, traders, and the financial industry to replace gut decisions with data-driven decision-making processes.


Natural Language Processing for Business Applications 

Our research heavily relies upon the ability to accurately process unstructured text data while distinguishing context and identifying semantics. For this purpose, we actively develop state-of-the-art methods for text mining and sentiment analysis.

R Packages


Package: ReinforcementLearning

This package performs model-free reinforcement learning in R. The implementation enables the learning of an optimal policy based on sample sequences consisting of states, actions and rewards. In addition, it supplies multiple predefined reinforcement learning algorithms, such as experience replay.

ReinforcementLearning on CRAN

Package: SentimentAnalysis

This package performs a sentiment analysis of textual contents in R. The implementation utilizes various existing dictionaries, such as Harvard IV, or finance-specific dictionaries. Furthermore, it can also create customized dictionaries. The latter uses LASSO regularization as a statistical approach to select relevant terms based on an exogenous response variable.

SentimentAnalysis on CRAN