Covid Twitter Bert V2 Mnli

🚀 COVID-Twitter-BERT v2 MNLI

本模型是一個零樣本分類器，適用於因缺乏標註數據而無法針對特定任務微調CT - BERT的場景。它能有效解決在沒有大量標註數據的情況下進行文本分類的難題，為相關研究和應用提供了便捷的解決方案。

🚀 快速開始

本模型提供了便捷的使用方式，你可以通過以下步驟快速體驗其功能。

基礎用法

from transformers import pipeline
classifier = pipeline("zero-shot-classification", model="digitalepidemiologylab/covid-twitter-bert-v2-mnli")

高級用法

sequence_to_classify = 'To stop the pandemic it is important that everyone turns up for their shots.'
candidate_labels = ['health', 'sport', 'vaccine','guns']
hypothesis_template = 'This example is {}.'
classifier(sequence_to_classify, candidate_labels, hypothesis_template=hypothesis_template, multi_class=True)

✨ 主要特性

• 零樣本分類能力：該模型基於Yin等人的技術，能夠在沒有針對特定任務進行微調的情況下，將預訓練的MNLI模型用作零樣本序列分類器。
• 廣泛的適用性：可用於多種文本分類場景，如將COVID - 推文分類為與疫苗相關和與疫苗無關。
• 便捷的使用方式：可以通過Hugging Face管道輕鬆嘗試，無需額外的訓練步驟。

📚 詳細文檔

模型描述

此模型提供了一個零樣本分類器，用於在因缺乏標註數據而無法針對特定任務微調CT - BERT的情況下使用。該技術基於Yin等人的研究，文章介紹了一種非常巧妙的方法，將預訓練的MNLI模型用作零樣本序列分類器。該模型已經在40萬個通用邏輯任務上進行了微調，我們可以通過將分類任務重新表述為一個問題，將其用作零樣本分類器。

例如，假設我們要將COVID - 推文分類為與疫苗相關和與疫苗無關。傳統的方法是收集幾百條預先標註的推文，並將它們分為兩類，然後對模型進行微調。而使用零樣本MNLI分類器，你可以將問題重新表述為“這段文本是關於疫苗的”，並直接用於推理，無需任何訓練。

你可以在我們的GitHub頁面上找到有關該模型的更多信息。

使用說明

請注意，問題的表述方式可能會導致略有不同的結果。收集訓練集並進行微調，很可能會提高準確性。

嘗試此模型的最簡單方法是使用Hugging Face管道。它使用默認的英語模板，在文本前面加上“這個例子是 ”。

訓練過程

該模型在40萬個大規模MNLI任務上進行了微調。

📄 許可證

本項目採用MIT許可證。

🔖 引用信息

@article{muller2020covid,
  title={COVID-Twitter-BERT: A Natural Language Processing Model to Analyse COVID-19 Content on Twitter},
  author={M{\"u}ller, Martin and Salath{\'e}, Marcel and Kummervold, Per E},
  journal={arXiv preprint arXiv:2005.07503},
  year={2020}
}

或

Martin Müller, Marcel Salathé, and Per E. Kummervold.
COVID-Twitter-BERT: A Natural Language Processing Model to Analyse COVID-19 Content on Twitter.
arXiv preprint arXiv:2005.07503 (2020).

📋 其他信息

⚠️ 重要提示

問題的表述方式可能會導致略有不同的結果，收集訓練集並進行微調，很可能會提高準確性。

💡 使用建議

嘗試此模型的最簡單方法是使用Hugging Face管道，它使用默認的英語模板，在文本前面加上“這個例子是 ”。