BERTIS

🚀 BERTIS模型介紹

BERTIS（基於BERT的圖像圖式模型）是一個用於將輸入文本分類到特定圖像圖式類別的計算模型。圖像圖式是認知模式，在塑造人類對語言中各種概念的概念化和推理方式方面起著基礎性作用。本README將為你介紹BERTIS的用途、訓練和評估等相關信息。

🚀 快速開始

如果你覺得這項工作有幫助，請考慮引用我們的論文：

@article{fares2023META4,
  title={META4: Semantically-Aligned Generation of metaphoric gestures using self-supervised text and speech representations},
  author={Fares, Mireille and Pelachaud, Catherine and Obin, Nicolas},
  journal={arXiv preprint arXiv:2311.05481},
  year={2023}
}

✨ 主要特性

BERTIS模型描述

BERTIS（基於BERT的圖像圖式）是一個計算模型，旨在將輸入文本分類到特定的圖像圖式類別中。圖像圖式是認知模式，在塑造人類對語言中各種概念的概念化和推理方式方面起著基礎性作用。BERTIS基於BERT架構構建，並使用Wachowiak等人（2022）創建的專門語料庫進行微調。

BERTIS圖像圖式類別

BERTIS的主要目的是自動將輸入文本分類到預定義的圖像圖式類別中。BERTIS考慮了14種不同的圖像圖式類別，每種類別都捕捉了一種特定的認知模式。這些類別及其相應的示例（取自Wachowiak等人（2022））如下：

• 中心 - 外圍：She brushed the thought away.
• 接觸：That blew me away.
• 包含：Keep it in the back of your mind.
• 覆蓋：His judgement is clouded.
• 力：They are attracted to each other.
• 鏈接：Breaking social ties.
• 物體：Seize the opportunity.
• 部分 - 整體：They assembled a theory.
• 規模：This class is bigger than that one.
• 源 - 路徑 - 目標：The time for action has arrived.
• 分裂：What separates the men from the boys?
• 物質：Emotions are tinged with suffuse.
• 垂直性：No known spoken language uses the lateral axis for time.
• 支撐：The poor in our country need a boost up.

📦 安裝指南

文檔未提供安裝步驟，故跳過此章節。

💻 使用示例

文檔未提供代碼示例，故跳過此章節。

📚 詳細文檔

用途

文檔未詳細說明模型的用途相關具體內容，故跳過此部分詳細介紹。

訓練和測試細節

用於訓練、驗證和測試BERTIS的數據可在以下鏈接找到：數據鏈接。其中，80%的數據用於訓練BERTIS，10%用於驗證，10%用於測試。

評估

指標

• 精確率（Precision）：衡量在所有被預測為正例的實例中，正確預測為正例的比例，側重於正預測的準確性。
• 召回率（Recall）：衡量在所有實際正例中，正確預測為正例的比例，側重於捕捉正例的能力。
• F1分數（F1-score）：精確率和召回率的調和平均值，提供了一種平衡的度量，結合了這兩個指標。

結果

整體準確率：0.93

對於所有圖像圖式類別，F1分數在0.77到1之間，這表明BERTIS在準確預測正確的圖像圖式類別（精確率）和儘可能捕捉正確的圖像圖式類別（召回率）方面表現良好。我們觀察到所有類別的精確率都很高（在0.74到1之間），這表明正確預測的圖像圖式類別的數量。大多數類別的召回率分數高於0.74，有一個圖像圖式類別的召回率分數等於0.67。BERTIS在所有圖像圖式類別上的整體準確率等於0.93，這表明在將輸入文本分類到正確的圖像圖式類別方面具有較高的準確性和良好的性能。

🔧 技術細節

文檔未提供詳細技術實現細節，故跳過此章節。

📄 許可證

本模型使用的許可證為學術自由許可證（Academic Free License）。

模型相關信息