T5 Large Sentiment Analysis Chinese

🚀 最新版T5大模型中文情感分析工具

本工具是基於T5架構的中文情感分析模型，是 yuyijiong/Randeng-T5-large-sentiment-analysis-Chinese 的改進版，解決了過擬合問題。它由 IDEA-CCNL/Randeng-T5-784M-MultiTask-Chinese 在多箇中英文情感分析數據集上微調得到，能輸出多樣化的情感分析結果，適用於多種情感分析任務。

模型信息

🚀 快速開始

安裝依賴

本工具基於 transformers 和 evaluate 庫，你可以使用以下命令安裝：

pip install transformers evaluate

輸出格式

模型的輸出格式為：

'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 ......'

評估模型

可以使用 yuyijiong/quad_match_score 評估指標進行評估，示例代碼如下：

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)

💻 使用示例

基礎用法

import torch
from transformers import T5Tokenizer, AutoModelForSeq2SeqLM, GenerationConfig

tokenizer = T5Tokenizer.from_pretrained("yuyijiong/T5-large-sentiment-analysis-Chinese")
model = AutoModelForSeq2SeqLM.from_pretrained("yuyijiong/T5-large-sentiment-analysis-Chinese", device_map="auto")
generation_config = GenerationConfig.from_pretrained("yuyijiong/T5-large-sentiment-analysis-Chinese")
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)

高級用法

支持的情感分析任務

本模型支持以下多種情感分析任務：

["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)']

中文額外條件控制

中文輸入可以增加額外條件來控制答案的生成：

• 答案風格控制：可以控制抽取的觀點為整句話或縮減為幾個詞，例如：
  • (觀點儘量短)
  • (觀點可以較長)
• 指定方面情感分析：可以對指定的方面做情感分析，例如：
  • (方面選項:商品/物流/商家/平臺)

情感對象處理

情感對象 target 可能為 null，表示文本中未明確給出，也可以允許模型自動猜測為 null 的對象，例如：

• (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