T5 Large Sentiment Analysis Chinese MultiTask

🚀 情感分析任務 T5模型

本模型是 yuyijiong/T5-large-sentiment-analysis-Chinese 的改進版，增加了更多任務，並使用 ChatGPT 生成部分數據。它在多箇中英文情感分析數據集上進行了微調，能夠輸出特定格式的情感分析結果，可使用指定的評估指標進行評估，還支持多種情感分析任務，同時可以通過額外條件控制答案生成。

📦 安裝指南

文檔未提及安裝步驟，此處跳過。

💻 使用示例

基礎用法

可以使用 yuyijiong/quad_match_score 評估指標進行評估：

import evaluate
module = evaluate.load("yuyijiong/quad_match_score")
predictions=["food | good | food#taste | pos"]
references=["food | good | food#taste | pos & service | bad | service#general | neg"]
result=module.compute(predictions=predictions, references=references)
print(result)

高級用法

以下是使用該模型進行情感分析的代碼示例：

import torch
from transformers import T5Tokenizer, AutoModelForSeq2SeqLM

tokenizer = T5Tokenizer.from_pretrained("yuyijiong/T5-large-sentiment-analysis-Chinese-MultiTask")
model = AutoModelForSeq2SeqLM.from_pretrained("yuyijiong/T5-large-sentiment-analysis-Chinese-MultiTask", device_map="auto")
generation_config=GenerationConfig.from_pretrained("yuyijiong/T5-large-sentiment-analysis-Chinese-MultiTask")
text = '情感四元組(對象 | 觀點 | 方面 | 極性)抽取任務(觀點可以較長): [個頭大、口感不錯,就是個別壞了的或者有爛掉口子刻意用泥土封著,這樣做不好。]'
input_ids = tokenizer(text,return_tensors="pt", padding=True)['input_ids'].cuda(0)
with torch.no_grad():
  output = model.generate(input_ids=input_ids,generation_config=generation_config)
output_str = tokenizer.batch_decode(output, skip_special_tokens=True)
print(output_str)

📚 詳細文檔

輸出格式

輸出格式為

'對象1 | 觀點1 | 方面1 | 情感極性1 & 對象2 | 觀點2 | 方面2 | 情感極性2 ......'

支持的情感分析任務

支持以下情感分析任務：

["四元組(對象 | 觀點 | 方面 | 極性)",
'二元組(對象 | 觀點)',
'三元組(對象 | 觀點 | 方面)',
'三元組(對象 | 觀點 | 極性)',
'三元組(對象 | 方面 | 極性)',
'二元組(方面 | 極性)',
'二元組(觀點 | 極性)',
'單元素(極性)']

額外條件控制

可以增加額外條件來控制答案的生成，例如：

• 答案風格控制，希望抽取的觀點為整句話或縮減為幾個詞：
  • (觀點儘量短)
  • (觀點可以較長)
  • (對較長觀點進行概括) 注意此條件可能使答案中出現與原文不同的詞
• 可以對指定的方面做情感分析：
  • (方面選項:商品/物流/商家/平臺)
• 情感對象 target 可能為 null，表示文本中未明確給出，可以允許模型自動猜測為 null 的對象：
  • (補全 null)

用法示例

Q:情感四元組(對象 | 觀點 | 方面 | 極性)抽取任務(觀點可以較長): [個頭大、口感不錯,就是個別壞了的或者有爛掉口子刻意用泥土封著,這樣做不好。]
A:個頭 | 大 | 商品#大小 | 積極 & 口感 | 不錯 | 商品#口感 | 積極 & null | 個別壞了的或者有爛掉口子刻意用泥土封著,這樣做不好 | 商品#新鮮程度 | 消極

Q:情感四元組(對象 | 觀點 | 方面 | 極性)抽取任務(觀點可以較長，補全null): [個頭大、口感不錯,就是個別壞了的或者有爛掉口子刻意用泥土封著,這樣做不好。]
A:個頭 | 大 | 商品#大小 | 積極 & 口感 | 不錯 | 商品#口感 | 積極 & null (個別) | 有爛掉口子刻意用泥土封著,這樣做不好 | 商品#新鮮程度 | 消極

Q:情感四元組(對象 | 觀點 | 方面 | 極性)抽取任務(觀點儘量短): [個頭大、口感不錯,就是個別壞了的或者有爛掉口子刻意用泥土封著,這樣做不好。]
A:個頭 | 大 | 商品#大小 | 積極 & 口感 | 不錯 | 商品#口感 | 積極

Q:情感四元組(對象 | 觀點 | 方面 | 極性)抽取任務(對較長觀點進行概括): [個頭大、口感不錯,就是個別壞了的或者有爛掉口子刻意用泥土封著,這樣做不好。]
A:個頭 | 大 | 商品#大小 | 積極 & 口感 | 不錯 | 商品#口感 | 積極 & null | 壞了口子封泥 | 商品#新鮮程度 | 消極

Q:情感三元組(對象 | 觀點 | 極性)抽取任務(觀點可以較長，補全null): [個頭大、口感不錯,就是個別壞了的或者有爛掉口子刻意用泥土封著,這樣做不好。]
A:個頭 | 大 | 積極 & 口感 | 不錯 | 積極 & null (花生) | 個別壞了的或者有爛掉口子刻意用泥土封著,這樣做不好 | 消極

Q:判斷以下評論的情感極性: [個頭大、口感不錯,就是個別壞了的或者有爛掉口子刻意用泥土封著,這樣做不好。]
A:中性

Q:情感二元組(方面 | 極性)抽取任務(方面選項: 價格#性價比/價格#折扣/價格#水平/食品#外觀/食物#分量/食物#味道/食物#推薦): [個頭大、口感不錯,就是個別壞了的或者有爛掉口子刻意用泥土封著,這樣做不好。]
A:食物#分量 | 積極 & 食物#味道 | 中性

Q:sentiment quadruples (target | opinion | aspect | polarity) extraction task : [The hot dogs are good , yes , but the reason to get over here is the fantastic pork croquette sandwich , perfect on its supermarket squishy bun .]
A:hot dogs | good | food#quality | pos & pork croquette sandwich | fantastic | food#quality | pos & bun | perfect | food#quality | pos

🔧 技術細節

文檔未提及技術實現細節，此處跳過。

📄 許可證

文檔未提及許可證信息，此處跳過。