Sentiment Roberta Large English

🚀 SiEBERT - 英文情感分類模型

本模型（“SiEBERT”，“英文情感分析”的縮寫）能夠對各類英文文本進行可靠的二分類情感分析，為英文文本情感分析提供了高效且準確的解決方案。

🚀 快速開始

數據集預測

若你想對自己的數據集進行情感預測，我們通過 Google Colab 提供了示例腳本。你可以將數據加載到 Google 雲端硬盤，然後在 Colab 的 GPU 上免費運行腳本，設置過程只需幾分鐘。建議你手動標註部分數據，以評估該模型在你實際應用場景中的性能。若需瞭解不同情感分析場景下的性能基準值，請參考我們的論文（Hartmann 等人，2023）。

在 Hugging Face 管道中使用

使用該模型進行單條預測最簡單的方法是藉助 Hugging Face 的 情感分析管道，只需幾行代碼，示例如下：

from transformers import pipeline
sentiment_analysis = pipeline("sentiment-analysis", model="siebert/sentiment-roberta-large-english")
print(sentiment_analysis("I love this!"))

進一步微調使用

該模型也可作為起點，用於在你特定的數據集上對 RoBERTa 進行進一步微調。具體細節和示例代碼請參考 Hugging Face 的 文檔。

✨ 主要特性

• 可靠的情感分析：該模型（“SiEBERT”，“英文情感分析”的縮寫）是 RoBERTa-large（Liu 等人，2019）的微調版本，能夠對各類英文文本進行可靠的二分類情感分析，針對每個文本實例，預測其情感為積極（1）或消極（0）。
• 廣泛的泛化能力：模型在來自不同文本來源的 15 個數據集上進行了微調與評估，增強了在不同類型文本（評論、推文等）上的泛化能力。與僅在單一類型文本（如流行的 SST - 2 基準測試中的電影評論）上訓練的模型相比，在新數據上的表現更優。

📚 詳細文檔

性能表現

為評估我們通用情感分析模型的性能，我們從每個數據集中預留了一個評估集，該評估集未用於訓練。平均而言，我們的模型比 基於 DistilBERT 的模型（僅在流行的 SST - 2 數據集上微調）高出 15 個百分點以上（78.1% 對比 93.2%，見下表）。作為穩健性檢查，我們採用留一法評估模型（在 14 個數據集上訓練，在留出的一個數據集上評估），平均而言，模型性能僅下降約 3 個百分點，這凸顯了其泛化能力。模型性能以評估集的準確率百分比表示。

微調超參數

• 學習率（learning_rate） = 2e - 5
• 訓練輪數（num_train_epochs） = 3.0
• 熱身步數（warmump_steps） = 500
• 權重衰減（weight_decay） = 0.01

其他參數保持 此處 列出的默認值。

📄 許可證

使用我們的模型時，請引用 這篇論文（發表於 IJRM）。如有任何問題或反饋，請隨時聯繫 christian.siebert@uni - hamburg.de。

@article{hartmann2023,
title = {More than a Feeling: Accuracy and Application of Sentiment Analysis},
journal = {International Journal of Research in Marketing},
volume = {40},
number = {1},
pages = {75-87},
year = {2023},
doi = {https://doi.org/10.1016/j.ijresmar.2022.05.005},
url = {https://www.sciencedirect.com/science/article/pii/S0167811622000477},
author = {Jochen Hartmann and Mark Heitmann and Christian Siebert and Christina Schamp},
}