Emoberta Large

🚀 對話情感識別 (ERC)

對話情感識別（ERC）項目旨在利用文本模態對對話中的情感進行準確分類。本項目在MELD和IEMOCAP兩個數據集上進行了實驗，具有較高的實用價值和研究意義。

🚀 快速開始

請查看此處獲取詳細信息。

觀看演示視頻！

✨ 主要特性

• 目前僅使用文本模態對對話中的情感進行分類。
• 在MELD和IEMOCAP兩個數據集上進行實驗，取得了較好的效果。
• 提供了EmoBERTa模型的訓練和部署方法。

📦 安裝指南

前提條件

1. 一臺x86 - 64的Unix或類Unix機器。
2. Python 3.8或更高版本。
3. 強烈建議在虛擬環境（如conda、virtualenv等）中運行，以免影響系統Python。
4. 克隆[multimodal - datasets倉庫](https://github.com/tae898/multimodal - datasets)（子模塊）。
5. 執行pip install -r requirements.txt安裝依賴。

EmoBERTa訓練

首先在train - erc - text.yaml中配置超參數和數據集，然後在該目錄下運行以下命令。建議在虛擬環境中運行。

python train-erc-text.py

此命令將依次調用train - erc - text - hp.py和train - erc - text - full.py。

💻 使用示例

訓練結果

以上數值是五次隨機種子運行的平均值。

如果您想查看更多訓練測試細節，請查看./results/。

如果您想下載訓練好的檢查點等文件，可以從這裡下載，這是一個較大的壓縮文件。

部署

Huggingface

我們已在Huggingface上發佈了模型：

• [emoberta - base](https://huggingface.co/tae898/emoberta - base)
• [emoberta - large](https://huggingface.co/tae898/emoberta - large)

它們分別基於[RoBERTa - base](https://huggingface.co/roberta - base)和[RoBERTa - large](https://huggingface.co/roberta - large)，在[MELD和IEMOCAP兩個數據集](utterance - ordered - MELD_IEMOCAP.json)上進行訓練。我們部署的模型既不考慮說話者信息，也不考慮前後對話，即每次僅對單個語句（如 "I love you"）進行分類。

Flask應用

您可以將Flask RESTful服務器應用作為Docker容器運行，也可以作為Python腳本運行。

1. 作為Docker容器運行（推薦） 有四個鏡像可供選擇：
   • docker run -it --rm -p 10006:10006 tae898/emoberta - base
   • docker run -it --rm -p 10006:10006 --gpus all tae898/emoberta - base - cuda
   • docker run -it --rm -p 10006:10006 tae898/emoberta - large
   • docker run -it --rm -p 10006:10006 --gpus all tae898/emoberta - large - cuda
2. 在Python環境中運行 此方法不如Docker方法推薦。 首先運行pip install -r requirements - deploy.txt，然後運行app.py，這是一個Flask RESTful服務器，用法如下：

app.py [-h] [--host HOST] [--port PORT] [--device DEVICE] [--model - type MODEL_TYPE]

例如：

python app.py --host 0.0.0.0 --port 10006 --device cpu --model - type emoberta - base

客戶端

應用運行後，您可以向服務器發送文本。首先安裝必要的包：pip install -r requirements - client.txt，然後運行client.py，用法如下：

client.py [-h] [--url - emoberta URL_EMOBERTA] --text TEXT

例如：

python client.py --text "Emotion recognition is so cool!"

將輸出：

{
    "neutral": 0.0049800905,
    "joy": 0.96399665,
    "surprise": 0.018937444,
    "anger": 0.0071516023,
    "sadness": 0.002021492,
    "disgust": 0.001495996,
    "fear": 0.0014167271
}

📚 詳細文檔

故障排除

查找和解決問題的最佳方法是查看GitHub的問題標籤。如果您找不到所需內容，請隨時提出問題，我們會及時響應。

貢獻

貢獻使開源社區成為一個學習、啟發和創造的絕佳場所。您的任何貢獻都非常感謝。

1. 分叉項目。
2. 創建您的功能分支（git checkout -b feature/AmazingFeature）。
3. 在根倉庫目錄下運行make style && quality，確保代碼質量。
4. 提交更改（git commit -m 'Add some AmazingFeature'）。
5. 推送到分支（git push origin feature/AmazingFeature）。
6. 打開拉取請求。

引用我們的工作

請查看論文。

@misc{kim2021emoberta,
      title={EmoBERTa: Speaker-Aware Emotion Recognition in Conversation with RoBERTa}, 
      author={Taewoon Kim and Piek Vossen},
      year={2021},
      eprint={2108.12009},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

📄 許可證

本項目採用MIT許可證。

作者

• Taewoon Kim