Emotion RoBERTa Pooled V4

🚀 用于情感分类的多语言微调RoBERTa模型

本模型是专为匈牙利语、斯洛伐克语、波兰语和捷克语的情感分类任务量身定制的多语言微调版RoBERTa模型，能够将文本数据分类到六种情感类别中。

🚀 快速开始

你可以直接使用Hugging Face的transformers库来使用这个模型。以下是加载和使用该模型的示例：

from transformers import pipeline

# 加载微调后的模型
classifier = pipeline("text-classification", model="visegradmedia-emotion/Emotion_RoBERTa_pooled_V4")

# 示例用法
result = classifier("Nagyon örömtelinek érzem magam ma!")
print(result)

✨ 主要特性

• 多语言支持：支持匈牙利语、斯洛伐克语、波兰语和捷克语的情感分类任务。
• 微调模型：基于RoBERTa模型进行微调，更适合情感分类任务。
• 六种情感分类：能够将文本数据分类到六种情感类别中，包括愤怒、恐惧、厌恶、悲伤、喜悦和无情感。

📚 详细文档

模型描述

此模型是RoBERTa模型的多语言微调版本，专门针对匈牙利语、斯洛伐克语、波兰语和捷克语的情感分类任务进行了优化。该模型经过训练，可将文本数据分类到六种情感类别（愤怒、恐惧、厌恶、悲伤、喜悦和无情感）中。

预期用途

该模型旨在将多种语言（包括匈牙利语、斯洛伐克语、波兰语和捷克语）的文本数据分类到情感类别中。它可用于情感分析、社交媒体监控、客户反馈分析等应用程序。模型会在六个预定义的类别中预测给定文本的主要情感。

指标

整体性能

• 准确率：0.84
• 宏平均精确率：0.86
• 宏平均召回率：0.86
• 宏平均F1分数：0.86

各类别性能

该模型在不同的情感类别中表现出色，尤其是在恐惧、厌恶和喜悦类别中具有较高的精确率、召回率和F1分数。模型在识别愤怒和无情感类别时表现适中，但在这些情况下仍能达到足够的准确率。

局限性

• 上下文敏感性：模型在识别需要更深入上下文理解的情感时可能会遇到困难。
• 类别不平衡：模型在“无情感”类别上的表现表明，使用更平衡的数据集进行进一步训练可以提高准确率。
• 泛化能力：模型的性能可能会因文本的领域、语言风格和长度而异，尤其是在不同的语言中。

📄 许可证

本模型采用MIT许可证。