Multilingual Sentiment Analysis

🚀 distilbert-based多語言情感分類模型

本模型是一個基於distilbert的多語言情感分類模型，可支持多種語言的情感分析，廣泛應用於社交媒體監測、客戶反饋分析等多個領域，能有效提升全球業務的情感洞察能力。

🚀 快速開始

使用管道（pipelines），僅需4行代碼：

from transformers import pipeline

# Load the classification pipeline with the specified model
pipe = pipeline("text-classification", model="tabularisai/multilingual-sentiment-analysis")

# Classify a new sentence
sentence = "I love this product! It's amazing and works perfectly."
result = pipe(sentence)

# Print the result
print(result)

以下是一個不使用管道的Python示例，展示如何使用多語言情感模型：

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

model_name = "tabularisai/multilingual-sentiment-analysis"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name)

def predict_sentiment(texts):
    inputs = tokenizer(texts, return_tensors="pt", truncation=True, padding=True, max_length=512)
    with torch.no_grad():
        outputs = model(**inputs)
    probabilities = torch.nn.functional.softmax(outputs.logits, dim=-1)
    sentiment_map = {0: "Very Negative", 1: "Negative", 2: "Neutral", 3: "Positive", 4: "Very Positive"}
    return [sentiment_map[p] for p in torch.argmax(probabilities, dim=-1).tolist()]

texts = [
    # English
    "I absolutely love the new design of this app!", "The customer service was disappointing.", "The weather is fine, nothing special.",
    # Chinese
    "這家餐廳的菜味道非常棒！", "我對他的回答很失望。", "天氣今天一般。",
    # Spanish
    "¡Me encanta cómo quedó la decoración!", "El servicio fue terrible y muy lento.", "El libro estuvo más o menos.",
    # Arabic
    "الخدمة في هذا الفندق رائعة جدًا!", "لم يعجبني الطعام في هذا المطعم.", "كانت الرحلة عادية。",
    # Ukrainian
    "Мені дуже сподобалася ця вистава!", "Обслуговування було жахливим.", "Книга була посередньою。",
    # Hindi
    "यह जगह सच में अद्भुत है!", "यह अनुभव बहुत खराब था।", "फिल्म ठीक-ठाक थी।",
    # Bengali
    "এখানকার পরিবেশ অসাধারণ!", "সেবার মান একেবারেই খারাপ।", "খাবারটা মোটামুটি ছিল।",
    # Portuguese
    "Este livro é fantástico! Eu aprendi muitas coisas novas e inspiradoras.", 
    "Não gostei do produto, veio quebrado.", "O filme foi ok, nada de especial.",
    # Japanese
    "このレストランの料理は本當に美味しいです！", "このホテルのサービスはがっかりしました。", "天気はまあまあです。",
    # Russian
    "Я в восторге от этого нового гаджета!", "Этот сервис оставил у меня только разочарование.", "Встреча была обычной, ничего особенного.",
    # French
    "J'adore ce restaurant, c'est excellent !", "L'attente était trop longue et frustrante.", "Le film était moyen, sans plus.",
    # Turkish
    "Bu otelin manzarasına bayıldım!", "Ürün tam bir hayal kırıklığıydı.", "Konser fena değildi, ortalamaydı.",
    # Italian
    "Adoro questo posto, è fantastico!", "Il servizio clienti è stato pessimo.", "La cena era nella media.",
    # Polish
    "Uwielbiam tę restaurację, jedzenie jest świetne!", "Obsługa klienta była rozczarowująca.", "Pogoda jest w porządku, nic szczególnego.",
    # Tagalog
    "Ang ganda ng lugar na ito, sobrang aliwalas!", "Hindi maganda ang serbisyo nila dito.", "Maayos lang ang palabas, walang espesyal.",
    # Dutch
    "Ik ben echt blij met mijn nieuwe aankoop!", "De klantenservice was echt slecht.", "De presentatie was gewoon oké, niet bijzonder.",
    # Malay
    "Saya suka makanan di sini, sangat sedap!", "Pengalaman ini sangat mengecewakan.", "Hari ini cuacanya biasa sahaja.",
    # Korean
    "이 가게의 케이크는 정말 맛있어요!", "서비스가 너무 별로였어요.", "날씨가 그저 그렇네요.",
    # Swiss German
    "Ich find dä Service i de Beiz mega guet!", "Däs Esä het mir nöd gfalle.", "D Wätter hüt isch so naja."
]

for text, sentiment in zip(texts, predict_sentiment(texts)):
    print(f"Text: {text}\nSentiment: {sentiment}\n")

✨ 主要特性

• 多語言支持：支持英語、中文、西班牙語、印地語等多種語言。
• 多場景應用：可用於社交媒體分析、客戶反饋分析、產品評論分類、品牌監測等多個領域。
• 合成數據訓練：使用先進大語言模型生成的合成多語言數據進行訓練，確保在不同語言和文化背景下都有良好表現。

📦 安裝指南

文檔未提及安裝步驟，暫不提供。

📚 詳細文檔

模型詳情

• 模型名稱：tabularisai/multilingual-sentiment-analysis
• 基礎模型：distilbert/distilbert-base-multilingual-cased
• 任務：文本分類（情感分析）
• 支持語言：支持英語、中文（中文）、西班牙語（Español）、印地語（हिन्दी）、阿拉伯語（العربية）、孟加拉語（বাংলা）、葡萄牙語（Português）、俄語（Русский）、日語（日本語）、德語（Deutsch）、馬來語（Bahasa Melayu）、泰盧固語（తెలుగు）、越南語（Tiếng Việt）、韓語（한국어）、法語（Français）、土耳其語（Türkçe）、意大利語（Italiano）、波蘭語（Polski）、烏克蘭語（Українська）、他加祿語、荷蘭語（Nederlands）、瑞士德語（Schweizerdeutsch）。
• 類別數量：5（非常負面、負面、中性、正面、非常正面）
• 應用場景：
  • 社交媒體分析
  • 客戶反饋分析
  • 產品評論分類
  • 品牌監測
  • 市場調研
  • 客戶服務優化
  • 競爭情報

模型描述

該模型是distilbert/distilbert-base-multilingual-cased的微調版本，用於多語言情感分析。它利用來自多個來源的合成數據，在不同語言和文化背景下實現了穩健的性能。

訓練數據

僅使用先進大語言模型生成的合成多語言數據進行訓練，確保廣泛覆蓋各種語言的情感表達。

訓練過程

• 微調3.5個週期。
• 在驗證數據集上的train_acc_off_by_one約為0.93。

預期用途

適用於：

• 多語言社交媒體監測
• 國際客戶反饋分析
• 全球產品評論情感分類
• 全球品牌情感跟蹤

🔧 技術細節

合成數據可減少偏差，但建議在實際場景中進行驗證。

📄 許可證

本模型使用的許可證為cc-by-nc-4.0。

引用信息

Will be included.

聯繫我們

如有諮詢、數據、私有API或更優模型等需求，請聯繫info@tabularis.ai。

tabularis.ai