Finbert Finetuned Github

🚀 金融情感微調版FinBERT（金融短語庫 + GitHub數據集）

本模型是基於金融情感分類任務對FinBERT進行微調的版本，能夠有效處理金融文本情感分析問題，為金融領域的決策和研究提供有力支持。

🚀 快速開始

你可以通過Hugging Face Transformers庫使用該模型：

from transformers import AutoModelForSequenceClassification, AutoTokenizer

model_name = "Driisa/finbert-finetuned-github"

# 加載模型和分詞器
model = AutoModelForSequenceClassification.from_pretrained(model_name)
tokenizer = AutoTokenizer.from_pretrained(model_name)

# 示例輸入
text = "The company's stock has seen significant growth this quarter."

# 分詞並進行預測
inputs = tokenizer(text, return_tensors="pt", padding=True, truncation=True, max_length=128)
outputs = model(**inputs)

# 獲取預測類別
predicted_class = outputs.logits.argmax().item()
print(f"Predicted Sentiment: {['Negative', 'Neutral', 'Positive'][predicted_class]}")

✨ 主要特性

• 該模型是FinBERT (ProsusAI/finbert) 的微調版本，專門用於金融情感分類。
• 能夠將金融文本分為三類：
  • 負面 (0)
  • 中性 (1)
  • 正面 (2)

📦 安裝指南

文檔未提及安裝步驟，故跳過該章節。

💻 使用示例

基礎用法

from transformers import AutoModelForSequenceClassification, AutoTokenizer

model_name = "Driisa/finbert-finetuned-github"

# 加載模型和分詞器
model = AutoModelForSequenceClassification.from_pretrained(model_name)
tokenizer = AutoTokenizer.from_pretrained(model_name)

# 示例輸入
text = "The company's stock has seen significant growth this quarter."

# 分詞並進行預測
inputs = tokenizer(text, return_tensors="pt", padding=True, truncation=True, max_length=128)
outputs = model(**inputs)

# 獲取預測類別
predicted_class = outputs.logits.argmax().item()
print(f"Predicted Sentiment: {['Negative', 'Neutral', 'Positive'][predicted_class]}")

📚 詳細文檔

📂 使用的數據集

該模型在以下數據集上進行訓練： ✅ 金融短語庫 - 一個廣泛使用的金融情感數據集。 ✅ GitHub生成的情感數據集 - 用於測試模型的額外數據集。

⚙️ 訓練參數

📊 模型性能

🚀 預期用途

該模型適用於： ✅ 金融分析師和投資者，用於評估報告、新聞和股票討論等金融語句的情感。 ✅ 金融機構，用於自動化交易中基於自然語言處理的情感分析。 ✅ 人工智能研究人員，探索金融自然語言處理模型。

⚠️ 侷限性

⚠️ 重要提示

該模型可能無法很好地泛化到金融語言差異較大的數據集。

可能需要針對特定金融領域（加密貨幣、銀行業、初創企業）進行微調。

🔧 技術細節

文檔未提供具體技術實現細節，故跳過該章節。

📄 許可證

本模型使用的許可證為MIT許可證。