Emotion RoBERTa Pooled V4

🚀 用於情感分類的多語言微調RoBERTa模型

本模型是專為匈牙利語、斯洛伐克語、波蘭語和捷克語的情感分類任務量身定製的多語言微調版RoBERTa模型，能夠將文本數據分類到六種情感類別中。

🚀 快速開始

你可以直接使用Hugging Face的transformers庫來使用這個模型。以下是加載和使用該模型的示例：

from transformers import pipeline

# 加載微調後的模型
classifier = pipeline("text-classification", model="visegradmedia-emotion/Emotion_RoBERTa_pooled_V4")

# 示例用法
result = classifier("Nagyon örömtelinek érzem magam ma!")
print(result)

✨ 主要特性

• 多語言支持：支持匈牙利語、斯洛伐克語、波蘭語和捷克語的情感分類任務。
• 微調模型：基於RoBERTa模型進行微調，更適合情感分類任務。
• 六種情感分類：能夠將文本數據分類到六種情感類別中，包括憤怒、恐懼、厭惡、悲傷、喜悅和無情感。

📚 詳細文檔

模型描述

此模型是RoBERTa模型的多語言微調版本，專門針對匈牙利語、斯洛伐克語、波蘭語和捷克語的情感分類任務進行了優化。該模型經過訓練，可將文本數據分類到六種情感類別（憤怒、恐懼、厭惡、悲傷、喜悅和無情感）中。

預期用途

該模型旨在將多種語言（包括匈牙利語、斯洛伐克語、波蘭語和捷克語）的文本數據分類到情感類別中。它可用於情感分析、社交媒體監控、客戶反饋分析等應用程序。模型會在六個預定義的類別中預測給定文本的主要情感。

指標

整體性能

• 準確率：0.84
• 宏平均精確率：0.86
• 宏平均召回率：0.86
• 宏平均F1分數：0.86

各類別性能

該模型在不同的情感類別中表現出色，尤其是在恐懼、厭惡和喜悅類別中具有較高的精確率、召回率和F1分數。模型在識別憤怒和無情感類別時表現適中，但在這些情況下仍能達到足夠的準確率。

侷限性

• 上下文敏感性：模型在識別需要更深入上下文理解的情感時可能會遇到困難。
• 類別不平衡：模型在“無情感”類別上的表現表明，使用更平衡的數據集進行進一步訓練可以提高準確率。
• 泛化能力：模型的性能可能會因文本的領域、語言風格和長度而異，尤其是在不同的語言中。

📄 許可證

本模型採用MIT許可證。