Indobert Analisis Sentimen Review Produk

🚀 IndoBERT 商品レビューのセンチメント分類モデル - 2クラス

このモデルは、indobenchmark/indobert-base-p2 をファインチューニングして、インドネシア語の商品レビューのセンチメント分類タスク（肯定的と否定的の2ラベル）に適用したものです。使用されたデータセットは、eコマースTokopediaの10,600件の商品レビューで構成されています。

🚀 クイックスタート

このモデルは、コメントやレビューを POSITIF と NEGATIF の2つのセンチメントクラスに分類することを目的としています。

✨ 主な機能

• インドネシア語の商品レビューのセンチメントを2クラスに分類します。
• 高精度な分類性能を持ち、AccuracyとF1 Scoreで評価されています。

📦 インストール

このモデルは transformers ライブラリを使用しています。必要な依存関係をインストールするには、以下のコマンドを実行してください。

pip install transformers torch

💻 使用例

基本的な使用法

# Load model dan tokenizer
from transformers import AutoTokenizer, AutoModelForSequenceClassification, pipeline
import torch

# Load dari Hugging Face Hub
model = AutoModelForSequenceClassification.from_pretrained("siRendy/indobert-analisis-sentimen-review-produk")
tokenizer = AutoTokenizer.from_pretrained("siRendy/indobert-analisis-sentimen-review-produk")

# Fungsi prediksi
def predict_sentiment(text):
    classifier = pipeline(
        "text-classification",
        model=model,
        tokenizer=tokenizer,
        device=0 if torch.cuda.is_available() else -1
    )

    result = classifier(text)[0]
    return {
        "sentiment": str(result["label"]),
        "confidence": round(result["score"], 4)
    }

# Contoh penggunaan
text = "Produk ini sangat buruk dan tidak layak dibeli."
prediction = predict_sentiment(text)
print(prediction)

📚 ドキュメント

🧪 評価指標

このモデルは、以下の評価指標を使用して評価されています。

• Accuracy
• F1 Score

🧠 ベースモデル

• indobenchmark/indobert-base-p2

⚙️ 学習引数

学習時に使用された TrainingArguments の設定は次の通りです。

from transformers import TrainingArguments

training_args = TrainingArguments(
    output_dir="./results",
    num_train_epochs=3,
    per_device_train_batch_size=4,
    gradient_accumulation_steps=4,
    per_device_eval_batch_size=4,
    weight_decay=0.05,
    eval_strategy="epoch",
    save_strategy="epoch",
    seed=42,
    load_best_model_at_end=True,
    metric_for_best_model="f1",
    logging_dir="./logs",
    report_to="tensorboard",
    logging_steps=100,
    warmup_ratio=0.05,
)

📊 評価結果

このモデルは、3エポックの間、AccuracyとF1 Scoreを使用して評価されました。各エポックでのモデルの性能は次の通りです。

最良のモデルは、最も高いF1値を持つ3エポック目から選択されました。

📄 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。