Roberta Base Frenk Hate

🚀 roberta-base-frenk-hate

這是一個基於文本分類的模型，它以roberta-base為基礎，並在FRENK數據集上進行了微調。該數據集包含針對LGBT群體和移民的仇恨言論。微調僅使用了數據集中的英文子集，並且對數據集進行了重新標註，以進行二元分類（冒犯性或可接受）。

🚀 快速開始

本模型基於roberta-base，在特定數據集上微調後可用於文本分類任務，能判斷文本是否具有冒犯性。

✨ 主要特性

• 基於roberta-base模型，在特定的仇恨言論數據集上進行微調。
• 僅使用英文子集數據進行微調，並重新標註為二元分類任務。

📦 安裝指南

文檔未提供安裝步驟，故跳過此章節。

💻 使用示例

基礎用法

from simpletransformers.classification import ClassificationModel
model_args = {
        "num_train_epochs": 6,
        "learning_rate": 3e-6,
        "train_batch_size": 69}

model = ClassificationModel(
    "roberta", "5roop/roberta-base-frenk-hate", use_cuda=True,
    args=model_args
    
)

predictions, logit_output = model.predict(["Build the wall", 
                                        "Build the wall of trust"]
                                        )
predictions
### Output:
### array([1, 0])

📚 詳細文檔

微調超參數

使用simpletransformers進行微調。事先進行了簡要的超參數優化，推測的最優超參數如下：

model_args = {
        "num_train_epochs": 6,
        "learning_rate": 3e-6,
        "train_batch_size": 69}

性能表現

為了進行比較，使用相同的管道對另外兩個Transformer模型和fasttext進行了運行。記錄了6次微調會話中每個模型的準確率和宏F1分數，並進行了事後分析。

根據記錄的準確率和宏F1分數，還計算了p值：

與xlm-roberta-base的比較：

與xlm-roberta-large的比較結果不明確。roberta-base的平均準確率為0.7915，而xlm-roberta-large的平均準確率為0.7904。如果比較宏F1分數，roberta-base實際上比xlm-roberta-large的平均值低：分別為0.77852和0.77876。在假設roberta-base具有更好指標的前提下進行了相同的統計測試，結果如下：

在相反的假設下（即xlm-roberta-large具有更好的統計指標），這種情況下宏F1分數的Wilcoxon p值達到0.656，Mann - Whithey p值為0.399，當然Student p值保持不變。因此得出結論，這兩個模型的性能在統計上沒有顯著差異。

🔧 技術細節

文檔中關於技術細節的描述主要圍繞微調超參數和性能比較，已在詳細文檔中體現。

📄 許可證

本項目採用CC BY-SA 4.0許可證。

📖 引用

如果您使用該模型，請引用以下論文，該論文是原始模型的基礎：

@article{DBLP:journals/corr/abs-1907-11692,
  author    = {Yinhan Liu and
               Myle Ott and
               Naman Goyal and
               Jingfei Du and
               Mandar Joshi and
               Danqi Chen and
               Omer Levy and
               Mike Lewis and
               Luke Zettlemoyer and
               Veselin Stoyanov},
  title     = {RoBERTa: {A} Robustly Optimized {BERT} Pretraining Approach},
  journal   = {CoRR},
  volume    = {abs/1907.11692},
  year      = {2019},
  url       = {http://arxiv.org/abs/1907.11692},
  archivePrefix = {arXiv},
  eprint    = {1907.11692},
  timestamp = {Thu, 01 Aug 2019 08:59:33 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/abs-1907-11692.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

以及用於微調的數據集：

@misc{ljubešić2019frenk,
      title={The FRENK Datasets of Socially Unacceptable Discourse in Slovene and English}, 
      author={Nikola Ljubešić and Darja Fišer and Tomaž Erjavec},
      year={2019},
      eprint={1906.02045},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/1906.02045}
}