Product Review Sentiment Analyzer

🚀 商品レビューセンチメントアナライザー

このモデルは、商品レビューをポジティブ、ネガティブ、または中立に分類します。DistilBERTをベースモデルとして、IMDBデータセットでファインチューニングされています。

🚀 クイックスタート

このプロジェクトでは、無料のリソースを使用して商品レビューのセンチメント分析モデルを構築およびデプロイする方法を示しています。

💻 使用例

基本的な使用法

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

tokenizer = AutoTokenizer.from_pretrained("yourusername/product-review-sentiment-analyzer")
model = AutoModelForSequenceClassification.from_pretrained("arpitk/product-review-sentiment-analyzer")

text = "This product exceeded my expectations!"
inputs = tokenizer(text, return_tensors="pt")

with torch.no_grad():
    outputs = model(**inputs)
    
probabilities = torch.nn.functional.softmax(outputs.logits, dim=-1)
prediction = torch.argmax(probabilities, dim=-1).item()

labels = ["Negative", "Positive", "Neutral"]  # Adjust based on your model's output order
print(f"Sentiment: {labels[prediction]}")

📚 ドキュメント

プロジェクト概要

• Yelpの商品レビューでDistilBERTモデルをファインチューニングしました。
• レビューをポジティブ、ネガティブ、または中立に分類します。
• 評価データセットでXX%の精度を達成しました。

ライブデモ

モデルを自分で試してみてください: Hugging Face Space

使用技術

• Google Colab（無料のGPU）
• Hugging Face Transformers
• PyTorch
• ウェブインターフェースにはGradioを使用

プロジェクト構造

• notebooks/: モデル開発用のJupyterノートブックが含まれています。
• app/: デプロイ用のGradioアプリが含まれています。
• src/: データ処理とモデルトレーニングのソースコードが含まれています。

使い方

1. このリポジトリをクローンします。
2. ノートブックを実行して独自のモデルをトレーニングします。
3. または、事前学習済みモデル arpitk/product-review-sentiment-analyzer を使用します。

結果

このモデルは、テストセットで90%の精度を達成しています。以下はいくつかの予測例です:

• "This product exceeded my expectations!" → ポジティブ (0.95)
• "It broke after two days of use." → ネガティブ (0.89)
• "The product is okay, but a bit overpriced." → 中立 (0.78)

📄 ライセンス

このプロジェクトはMITライセンスの下で公開されています。