Hebemo Sadness

🚀 HebEMO - 現代希伯來語情感識別模型

HebEMO 是一款用於檢測現代希伯來語用戶生成內容（UGC）情感極性並提取情感的工具。該模型基於我們收集並標註的獨特新冠疫情相關數據集進行訓練。

HebEMO 在極性分類任務中取得了加權平均 F1 分數為 0.96 的優異成績。在情感檢測方面，除“驚訝”情感（F1 分數為 0.41，模型未能很好地捕捉該情感）外，其他情感的 F1 分數達到了 0.78 - 0.97。即使與英語模型相比，這些結果也優於目前已報道的最佳性能。

✨ 主要特性

• 能夠對現代希伯來語用戶生成內容進行情感極性檢測和情感提取。
• 在極性分類和多數情感檢測任務中表現出色。

📚 詳細文檔

情感用戶生成內容數據描述

我們的用戶生成內容數據包含了從 2020 年 1 月至 2020 年 8 月期間，以色列 3 家主要新聞網站上新聞文章的評論。數據總大小約為 150 MB，包含超過 700 萬個單詞和 35 萬條句子。

約 2000 條句子由眾包人員（每條句子有 3 - 10 名標註人員）進行標註，標註內容包括整體情感傾向（極性）和 八種情感：憤怒、厭惡、期待、恐懼、喜悅、悲傷、驚訝和信任。

每種情感在句子中出現的比例如下表所示：

性能表現

情感識別

以上指標針對正類（即文本中反映出該情感）。

情感傾向（極性）分析

情感傾向（極性）分類模型也可在 AWS 上使用！更多信息請訪問 AWS 的 GitHub 倉庫。

💻 使用示例

基礎用法

情感識別模型

可以在 Hugging Face Spaces 上找到在線模型，也可以使用 Colab 筆記本。

# !pip install pyplutchik==0.0.7
# !pip install transformers==4.14.1

!git clone https://github.com/avichaychriqui/HeBERT.git
from HeBERT.src.HebEMO import *
HebEMO_model = HebEMO()

HebEMO_model.hebemo(input_path = 'data/text_example.txt')
# return analyzed pandas.DataFrame  

hebEMO_df = HebEMO_model.hebemo(text='החיים יפים ומאושרים', plot=True)

情感分類模型（僅極性）

from transformers import AutoTokenizer, AutoModel, pipeline

tokenizer = AutoTokenizer.from_pretrained("avichr/heBERT_sentiment_analysis") #same as 'avichr/heBERT' tokenizer
model = AutoModel.from_pretrained("avichr/heBERT_sentiment_analysis")

# how to use?
sentiment_analysis = pipeline(
    "sentiment-analysis",
    model="avichr/heBERT_sentiment_analysis",
    tokenizer="avichr/heBERT_sentiment_analysis",
    return_all_scores = True
)

sentiment_analysis('אני מתלבט מה לאכול לארוחת צהריים')	
>>>  [[{'label': 'neutral', 'score': 0.9978172183036804},
>>>  {'label': 'positive', 'score': 0.0014792329166084528},
>>>  {'label': 'negative', 'score': 0.0007035882445052266}]]

sentiment_analysis('קפה זה טעים')
>>>  [[{'label': 'neutral', 'score': 0.00047328314394690096},
>>>  {'label': 'possitive', 'score': 0.9994067549705505},
>>>  {'label': 'negetive', 'score': 0.00011996887042187154}]]

sentiment_analysis('אני לא אוהב את העולם')
>>>  [[{'label': 'neutral', 'score': 9.214012970915064e-05}, 
>>>  {'label': 'possitive', 'score': 8.876807987689972e-05}, 
>>>  {'label': 'negetive', 'score': 0.9998190999031067}]]

📄 許可證

文檔中未提及相關許可證信息。

🔗 聯繫我們

• Avichay Chriqui
• Inbal yahav
• The Coller Semitic Languages AI Lab

感謝使用！ תודה， شكرا

📝 引用說明

如果您使用了此模型，請按以下格式引用我們的工作： Chriqui, A., & Yahav, I. (2022). HeBERT & HebEMO: a Hebrew BERT Model and a Tool for Polarity Analysis and Emotion Recognition. INFORMS Journal on Data Science, forthcoming.

@article{chriqui2021hebert,
  title={HeBERT \& HebEMO: a Hebrew BERT Model and a Tool for Polarity Analysis and Emotion Recognition},
  author={Chriqui, Avihay and Yahav, Inbal},
  journal={INFORMS Journal on Data Science},
  year={2022}
}