Customer Reviews Classification

🚀 客戶評價分類模型

本項目基於DistilBERT微調得到的模型，可將客戶反饋精準分類為六個預定義類別，為客戶評價分析提供高效解決方案。

🚀 快速開始

以下是使用該模型進行推理的示例：

from transformers import pipeline

classifier = pipeline("text-classification", model="dnzblgn/Customer-Reviews-Classification")
result = classifier("The product arrived on time and was exactly as described.")
print(result)

✨ 主要特性

• 高效分類：基於DistilBERT的Transformer架構，能有效處理文本的句法模式，根據內容、風格和結構進行準確的文檔分類。
• 多類別覆蓋：可將客戶反饋分為六個預定義類別，包括運輸與交付、客戶服務、價格與價值、質量與性能、使用與設計以及其他。

📦 安裝指南

文檔未提及具體安裝步驟，可參考transformers庫的官方安裝指南進行安裝。

💻 使用示例

基礎用法

from transformers import pipeline

classifier = pipeline("text-classification", model="dnzblgn/Customer-Reviews-Classification")
result = classifier("The product arrived on time and was exactly as described.")
print(result)

📚 詳細文檔

類別映射

label_mapping = {
    "shipping_and_delivery": 0,
    "customer_service": 1,
    "price_and_value": 2,
    "quality_and_performance": 3,
    "use_and_design": 4,
    "other": 5
}

模型描述

這個經過微調的DistilBERT模型專為文檔分類而設計。它將客戶反饋分為六個預定義類別：運輸與交付、客戶服務、價格與價值、質量與性能、使用與設計以及其他。通過利用DistilBERT基於Transformer的架構，該模型能有效處理文本的句法模式，根據內容、風格和結構提供準確的文檔分類。

偏差、風險和侷限性

雖然該模型在六個類別上實現了較高的準確率，但在處理重疊類別或單個文檔中的多個標籤時存在侷限性。該模型設計用於單標籤分類，即每個文檔只能檢測一個標籤。如果一個文檔包含多個類別的特徵（例如，同時包含“質量與性能”和“價格與價值”），模型可能難以正確識別兩者，只會預測一個類別，可能導致錯誤分類。

建議

用戶（直接用戶和下游用戶）應瞭解該模型的單標籤預測限制。在文檔包含多個類別特徵的情況下，應考慮使用其他模型或多標籤分類技術。

訓練數據

為該任務創建了一個自定義合成數據集，重點關注文本的結構特徵。該數據集提供了六個類別的示例，幫助模型從文本的句法組織和含義中學習。

訓練超參數

• 模型：distilbert/distilbert-base-uncased
• 學習率：3e-5
• 訓練輪數：7
• 訓練批次大小：16
• 梯度累積步數：2
• 權重衰減：0.015
• 預熱比例：0.1

評估

使用代表相同六個文檔類別的自定義數據集對模型進行評估。根據準確率、精確率、召回率和F1分數衡量模型在各個類別上的性能。

指標

• 準確率：0.947
• 精確率：0.948
• 召回率：0.948
• F1分數：0.948

如需訪問使用的合成數據集，請聯繫：[deniz.bilgin@uni-konstanz.de]。

🔧 技術細節

本模型基於DistilBERT進行微調，通過自定義合成數據集進行訓練，學習文本的句法組織和含義。在訓練過程中，使用了特定的超參數，如學習率、訓練輪數等，以優化模型性能。評估時，使用自定義數據集和多種指標來衡量模型的準確性和有效性。

📄 許可證

本模型使用Apache 2.0許可證。