Centralbankroberta Sentiment Classifier

🚀 CentralBankRoBERTa

CentralBankRoBERTa 是一個針對央行通信場景進行微調的大語言模型。它結合了經濟主體分類器（可區分五種基本宏觀經濟主體）和二元情感分類器（用於識別央行通信語句中的情感內容），能為央行通信分析提供有力支持。

🚀 快速開始

模型概述

情感分類器（SentimentClassifier）模型旨在檢測給定句子對於家庭、企業、金融部門或政府而言是積極還是消極的。該模型基於 RoBERTa 架構，並在多樣化且廣泛的數據集上進行了微調，以提供準確的預測。

預期用途

情感分類器模型主要用於需要進行情感分析的央行通信內容分析。

性能指標

• 準確率：88%
• F1 分數：0.88
• 精確率：0.88
• 召回率：0.88

💻 使用示例

基礎用法

你可以通過 Hugging Face Transformers 庫在自己的應用程序中使用這些模型。以下是一個 Python 代碼片段，展示瞭如何加載和使用情感分類器模型：

from transformers import pipeline

# 加載情感分類器模型
sentiment_classifier = pipeline("text-classification", model="Moritz-Pfeifer/CentralBankRoBERTa-sentiment-classifier")

# 進行情感分析
sentinement_result = sentiment_classifier("The early effects of our policy tightening are also becoming visible, especially in sectors like manufacturing and construction that are more sensitive to interest rate changes.")
print("Sentiment:", sentinement_result[0]['label'])

📄 許可證

本項目採用 MIT 許可證。

📚 引用信息

引用說明

請按以下方式引用此模型：Pfeifer, M. 和 Marohl, V.P. (2023) "CentralBankRoBERTa: A Fine-Tuned Large Language Model for Central Bank Communications". Journal of Finance and Data Science https://doi.org/10.1016/j.jfds.2023.100114

BibTeX 引用

@article{Pfeifer2023,
  title = {CentralBankRoBERTa: A fine-tuned large language model for central bank communications},
  journal = {The Journal of Finance and Data Science},
  volume = {9},
  pages = {100114},
  year = {2023},
  issn = {2405-9188},
  doi = {https://doi.org/10.1016/j.jfds.2023.100114},
  url = {https://www.sciencedirect.com/science/article/pii/S2405918823000302},
  author = {Moritz Pfeifer and Vincent P. Marohl},
}

作者信息

• Moritz Pfeifer
  • 萊比錫大學經濟政策研究所
  • 德國萊比錫 04109
  • 郵箱：pfeifer@wifa.uni-leipzig.de
• Vincent P. Marohl
  • 哥倫比亞大學數學系
  • 美國紐約 10027
  • 郵箱：vincent.marohl@columbia.edu

相關鏈接

• 論文頁面
• GitHub 項目