Product Review Sentiment Analyzer

🚀 產品評論情感分析器

本模型可將產品評論分類為積極、消極或中立。它以DistilBERT為基礎模型，在IMDB數據集上進行了微調。

🚀 快速開始

本項目展示瞭如何使用免費資源構建和部署用於產品評論的情感分析模型。以下是使用示例：

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

tokenizer = AutoTokenizer.from_pretrained("yourusername/product-review-sentiment-analyzer")
model = AutoModelForSequenceClassification.from_pretrained("arpitk/product-review-sentiment-analyzer")

text = "This product exceeded my expectations!"
inputs = tokenizer(text, return_tensors="pt")

with torch.no_grad():
    outputs = model(**inputs)
    
probabilities = torch.nn.functional.softmax(outputs.logits, dim=-1)
prediction = torch.argmax(probabilities, dim=-1).item()

labels = ["Negative", "Positive", "Neutral"]  # Adjust based on your model's output order
print(f"Sentiment: {labels[prediction]}")

✨ 主要特性

• 在Yelp產品評論上微調了DistilBERT模型。
• 可將評論分類為積極、消極或中立。
• 在評估數據集上達到了XX%的準確率。

📚 詳細文檔

在線演示

你可以親自嘗試該模型：Hugging Face Space

所用技術

• Google Colab（免費GPU）
• Hugging Face Transformers
• PyTorch
• Gradio用於構建Web界面

項目結構

• notebooks/：包含用於模型開發的Jupyter筆記本。
• app/：包含用於部署的Gradio應用程序。
• src/：包含數據處理和模型訓練的源代碼。

使用方法

1. 克隆此倉庫。
2. 運行筆記本以訓練你自己的模型。
3. 或者使用預訓練模型：arpitk/product-review-sentiment-analyzer

結果

該模型在測試集上達到了90%的準確率。以下是一些示例預測：

• "This product exceeded my expectations!" → 積極 (0.95)
• "It broke after two days of use." → 消極 (0.89)
• "The product is okay, but a bit overpriced." → 中立 (0.78)

📄 許可證

本項目採用MIT許可證。