Product Review Sentiment Analyzer

🚀 产品评论情感分析器

本模型可将产品评论分类为积极、消极或中立。它以DistilBERT为基础模型，在IMDB数据集上进行了微调。

🚀 快速开始

本项目展示了如何使用免费资源构建和部署用于产品评论的情感分析模型。以下是使用示例：

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]}")

✨ 主要特性

• 在Yelp产品评论上微调了DistilBERT模型。
• 可将评论分类为积极、消极或中立。
• 在评估数据集上达到了XX%的准确率。

📚 详细文档

在线演示

你可以亲自尝试该模型：Hugging Face Space

所用技术

• Google Colab（免费GPU）
• Hugging Face Transformers
• PyTorch
• Gradio用于构建Web界面

项目结构

• notebooks/：包含用于模型开发的Jupyter笔记本。
• app/：包含用于部署的Gradio应用程序。
• src/：包含数据处理和模型训练的源代码。

使用方法

1. 克隆此仓库。
2. 运行笔记本以训练你自己的模型。
3. 或者使用预训练模型：arpitk/product-review-sentiment-analyzer

结果

该模型在测试集上达到了90%的准确率。以下是一些示例预测：

• "This product exceeded my expectations!" → 积极 (0.95)
• "It broke after two days of use." → 消极 (0.89)
• "The product is okay, but a bit overpriced." → 中立 (0.78)

📄 许可证

本项目采用MIT许可证。