Centralbankroberta Sentiment Classifier

🚀 CentralBankRoBERTa

CentralBankRoBERTa 是一个针对央行通信场景进行微调的大语言模型。它结合了经济主体分类器（可区分五种基本宏观经济主体）和二元情感分类器（用于识别央行通信语句中的情感内容），能为央行通信分析提供有力支持。

🚀 快速开始

模型概述

情感分类器（SentimentClassifier）模型旨在检测给定句子对于家庭、企业、金融部门或政府而言是积极还是消极的。该模型基于 RoBERTa 架构，并在多样化且广泛的数据集上进行了微调，以提供准确的预测。

预期用途

情感分类器模型主要用于需要进行情感分析的央行通信内容分析。

性能指标

• 准确率：88%
• F1 分数：0.88
• 精确率：0.88
• 召回率：0.88

💻 使用示例

基础用法

你可以通过 Hugging Face Transformers 库在自己的应用程序中使用这些模型。以下是一个 Python 代码片段，展示了如何加载和使用情感分类器模型：

from transformers import pipeline

# 加载情感分类器模型
sentiment_classifier = pipeline("text-classification", model="Moritz-Pfeifer/CentralBankRoBERTa-sentiment-classifier")

# 进行情感分析
sentinement_result = sentiment_classifier("The early effects of our policy tightening are also becoming visible, especially in sectors like manufacturing and construction that are more sensitive to interest rate changes.")
print("Sentiment:", sentinement_result[0]['label'])

📄 许可证

本项目采用 MIT 许可证。

📚 引用信息

引用说明

请按以下方式引用此模型：Pfeifer, M. 和 Marohl, V.P. (2023) "CentralBankRoBERTa: A Fine-Tuned Large Language Model for Central Bank Communications". Journal of Finance and Data Science https://doi.org/10.1016/j.jfds.2023.100114

BibTeX 引用

@article{Pfeifer2023,
  title = {CentralBankRoBERTa: A fine-tuned large language model for central bank communications},
  journal = {The Journal of Finance and Data Science},
  volume = {9},
  pages = {100114},
  year = {2023},
  issn = {2405-9188},
  doi = {https://doi.org/10.1016/j.jfds.2023.100114},
  url = {https://www.sciencedirect.com/science/article/pii/S2405918823000302},
  author = {Moritz Pfeifer and Vincent P. Marohl},
}

作者信息

• Moritz Pfeifer
  • 莱比锡大学经济政策研究所
  • 德国莱比锡 04109
  • 邮箱：pfeifer@wifa.uni-leipzig.de
• Vincent P. Marohl
  • 哥伦比亚大学数学系
  • 美国纽约 10027
  • 邮箱：vincent.marohl@columbia.edu

相关链接

• 论文页面
• GitHub 项目