amazon-reviews-sentiment-distilbert-base-uncased開源模型 - 精準分析亞馬遜美妝評論情感傾向

首頁

Amazon Reviews Sentiment Distilbert Base Uncased

由jhan21開發

基於DistilBERT微調的文本分類模型，用於分析亞馬遜美妝產品評論的情感傾向

文本分類

Transformers

開源協議:Apache-2.0 #美妝評論情感分析 #輕量級BERT #三分類模型

下載量 72

發布時間 : 4/4/2025

模型概述

該模型是基於distilbert-base-uncased對亞馬遜美妝評論數據集平衡子集進行微調的版本，專門用於三分類情感分析任務。

模型特點

高效輕量

基於DistilBERT架構，在保持較高性能的同時顯著減小模型體積

平衡數據集

使用經過平衡處理的亞馬遜美妝評論數據集，有效解決類別不平衡問題

多指標評估

提供準確率、精確率、召回率和F1值等多維度性能指標

模型能力

文本分類

情感分析

英語文本處理

使用案例

電商評論分析

美妝產品評論情感分析

自動分類亞馬遜美妝產品評論為正面、中性或負面

在驗證集上達到78.62%的準確率

市場調研

產品滿意度分析

通過分析大量用戶評論瞭解產品市場反饋

🚀 Amazon-Beauty-Product-Reviews-distilBERT-base情感分析模型

本模型基於DistilBERT微調，可用於對亞馬遜美妝產品評論進行情感分析，能有效處理文本分類任務，在評估集上取得了較好的準確率等指標。

🚀 快速開始

本部分暫未提供快速開始的相關內容，你可以參考後續章節瞭解模型詳情。

✨ 主要特性

微調優化：基於distilbert-base-uncased在亞馬遜美妝評論數據集上進行微調，適配特定領域的情感分析任務。
性能良好：在評估集上損失較低，準確率、精確率、召回率和F1值等指標表現出色。

📚 詳細文檔

🔍 模型詳情

模型描述

本模型是 distilbert-base-uncased 在亞馬遜美妝評論數據集的平衡子集上微調後的版本。

在評估集上取得了以下結果：

損失：0.5171
準確率：0.7862
精確率：0.7876
召回率：0.7860
F1值：0.7867

開發者信息

屬性	詳情
開發者	Jiali Han
模型類型	文本分類
語言	英語
許可證	Apache-2.0
父模型	有關DistilBERT的更多詳細信息，請查看此模型卡片
更多信息資源	模型文檔；DistilBERT論文

💡 使用場景

直接應用

本模型可用於對亞馬遜美妝產品評論進行情感分析。

誤用和超出範圍使用

⚠️ 重要提示

請勿使用此模型故意創建對他人懷有敵意或排斥性的環境。此外，該模型並非用於生成真實反映人物或事件的內容，因此使用該模型生成此類內容超出了其能力範圍。

⚠️ 風險、限制和偏差

本模型可能會產生有偏差的預測，尤其會對代表性不足的群體產生影響。

用戶應針對特定用例評估模型的風險。

如需進一步評估偏差，可考慮以下數據集：

📈 訓練和評估

訓練數據

作者使用了亞馬遜美妝評論數據集，該數據集經過平衡處理以解決類別不平衡問題。

訓練過程

訓練超參數

訓練期間使用了以下超參數：

學習率：5e-05
訓練批次大小：8
評估批次大小：8
隨機種子：0
優化器：使用OptimizerNames.ADAMW_TORCH，betas=(0.9, 0.999)，epsilon=1e-08，無額外優化器參數
學習率調度器類型：線性
訓練輪數：1

訓練結果

如需詳細的訓練日誌，請參考 Tensorboard 頁面。

訓練損失	輪數	步數	驗證損失	準確率	精確率	召回率	F1值
0.7283	0.0299	500	0.6867	0.7073	0.7038	0.7071	0.7030
0.6718	0.0598	1000	0.6067	0.7340	0.7478	0.7340	0.7377
0.6473	0.0898	1500	0.6154	0.7390	0.7508	0.7390	0.7416
0.616	0.1197	2000	0.6448	0.7423	0.7373	0.7420	0.7377
0.6123	0.1496	2500	0.6286	0.7241	0.7677	0.7243	0.7284
0.5874	0.1795	3000	0.5774	0.7516	0.7539	0.7515	0.7523
0.5746	0.2095	3500	0.5708	0.7564	0.7636	0.7563	0.7582
0.5917	0.2394	4000	0.5839	0.7596	0.7602	0.7595	0.7598
0.5774	0.2693	4500	0.6225	0.7526	0.7482	0.7524	0.7492
0.594	0.2992	5000	0.5531	0.7662	0.7694	0.7661	0.7673
0.5591	0.3292	5500	0.5770	0.7665	0.7645	0.7663	0.7645
0.5548	0.3591	6000	0.5805	0.7613	0.7579	0.7611	0.7584
0.5742	0.3890	6500	0.5592	0.7639	0.7665	0.7638	0.7636
0.5374	0.4189	7000	0.5548	0.7712	0.7776	0.7711	0.7735
0.5488	0.4489	7500	0.5622	0.7747	0.7747	0.7745	0.7746
0.5557	0.4788	8000	0.5698	0.7642	0.7822	0.7643	0.7670
0.556	0.5087	8500	0.5380	0.7754	0.7777	0.7753	0.7764
0.5325	0.5386	9000	0.5791	0.7754	0.7746	0.7751	0.7736
0.5301	0.5686	9500	0.5569	0.7753	0.7738	0.7751	0.7744
0.5232	0.5985	10000	0.5391	0.7782	0.7806	0.7780	0.7789
0.5462	0.6284	10500	0.5499	0.7729	0.7698	0.7726	0.7683
0.5614	0.6583	11000	0.5243	0.7803	0.7818	0.7801	0.7808
0.5376	0.6883	11500	0.5406	0.7795	0.7772	0.7794	0.7780
0.5287	0.7182	12000	0.5227	0.7797	0.7852	0.7796	0.7806
0.5149	0.7481	12500	0.5423	0.7803	0.7788	0.7801	0.7792
0.5312	0.7780	13000	0.5338	0.7771	0.7860	0.7771	0.7781
0.5204	0.8079	13500	0.5183	0.7843	0.7857	0.7841	0.7849
0.5412	0.8379	14000	0.5192	0.7844	0.7893	0.7843	0.7860
0.515	0.8678	14500	0.5135	0.7845	0.7858	0.7843	0.7850
0.5033	0.8977	15000	0.5254	0.7862	0.7882	0.7860	0.7870
0.5023	0.9276	15500	0.5251	0.7863	0.7853	0.7861	0.7856
0.5042	0.9576	16000	0.5215	0.7865	0.7864	0.7864	0.7864
0.5237	0.9875	16500	0.5171	0.7862	0.7876	0.7860	0.7867