Emoroberta

🚀 情感分析模型（EmoRoBERTa）

本項目基於RoBERTa模型，利用GoEmotions數據集訓練，用於文本情感分類，可精準識別28種情感。

🚀 快速開始

本項目使用RoBERTa模型在GoEmotions數據集上進行訓練，實現了對文本的情感分類。以下是使用示例：

from transformers import RobertaTokenizerFast, TFRobertaForSequenceClassification, pipeline

tokenizer = RobertaTokenizerFast.from_pretrained("arpanghoshal/EmoRoBERTa")
model = TFRobertaForSequenceClassification.from_pretrained("arpanghoshal/EmoRoBERTa")

emotion = pipeline('sentiment-analysis', 
                    model='arpanghoshal/EmoRoBERTa')

emotion_labels = emotion("Thanks for using it.")
print(emotion_labels)

輸出結果：

[{'label': 'gratitude', 'score': 0.9964383244514465}]

✨ 主要特性

• 基於RoBERTa模型，在GoEmotions數據集上進行訓練，可對文本進行情感分類。
• 能夠識別28種情感，包括欽佩、娛樂、憤怒、煩惱、認可、關心、困惑、好奇、慾望、失望、不認可、厭惡、尷尬、興奮、恐懼、感激、悲傷、喜悅、愛、緊張、樂觀、驕傲、領悟、寬慰、懊悔、悲傷、驚訝以及中性。

📚 詳細文檔

什麼是GoEmotions

GoEmotions數據集對58000條Reddit評論進行了標註，包含28種情感，具體如下：

• 欽佩、娛樂、憤怒、煩惱、認可、關心、困惑、好奇、慾望、失望、不認可、厭惡、尷尬、興奮、恐懼、感激、悲傷、喜悅、愛、緊張、樂觀、驕傲、領悟、寬慰、懊悔、悲傷、驚訝 + 中性

什麼是RoBERTa

RoBERTa在BERT的語言掩碼策略基礎上進行構建，並修改了BERT中的關鍵超參數，包括移除BERT的下一句預訓練目標，並使用更大的小批量和學習率進行訓練。RoBERTa還在比BERT多一個數量級的數據上進行了更長時間的訓練。這使得與BERT相比，RoBERTa的表示能夠更好地泛化到下游任務。

超參數

結果

Macro F1的最佳結果為49.30%。

💻 使用示例

基礎用法

from transformers import RobertaTokenizerFast, TFRobertaForSequenceClassification, pipeline

tokenizer = RobertaTokenizerFast.from_pretrained("arpanghoshal/EmoRoBERTa")
model = TFRobertaForSequenceClassification.from_pretrained("arpanghoshal/EmoRoBERTa")

emotion = pipeline('sentiment-analysis', 
                    model='arpanghoshal/EmoRoBERTa')

emotion_labels = emotion("Thanks for using it.")
print(emotion_labels)

📄 許可證

本項目採用MIT許可證。你可以通過此鏈接聯繫作者。