Koelectra Fine Tunning Emotion

🚀 用於韓語情感分類的KoELECTRA微調模型

本模型通過對KoELECTRA進行微調，專門用於韓語情感分類。它能夠精準識別六種主要情感，包括憤怒、幸福、焦慮、尷尬、悲傷和心痛，為韓語情感分析提供了強大的支持。

🚀 快速開始

本模型可通過以下兩種方式輕鬆使用：

使用Transformers庫

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

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

# 情感分析函數
def analyze_emotion(text):
    # 分詞
    inputs = tokenizer(
        text,
        return_tensors="pt",
        truncation=True,
        max_length=512,
        padding=True
    )
    
    # 預測
    with torch.no_grad():
        outputs = model(**inputs)
        
    # 計算概率
    probs = torch.softmax(outputs.logits, dim=1)
    
    # 情感標籤
    emotion_labels = ['angry', 'anxious', 'embarrassed', 'happy', 'heartache', 'sad']
    
    # 返回結果
    emotion_probs = {}
    for i, label in enumerate(emotion_labels):
        emotion_probs[label] = float(probs[0][i])
    
    return emotion_probs

# 使用示例
text = "오늘은 정말 행복한 하루였다."
result = analyze_emotion(text)

print("情感分析結果:")
for emotion, prob in sorted(result.items(), key=lambda x: x[1], reverse=True):
    print(f"{emotion}: {prob:.3f}")

使用Pipeline

from transformers import pipeline

# 創建管道
classifier = pipeline(
    "text-classification",
    model="Jinuuuu/KoELECTRA_fine_tunning_emotion",
    tokenizer="Jinuuuu/KoELECTRA_fine_tunning_emotion"
)

# 情感分析
texts = [
    "오늘은 정말 행복한 하루였다.",
    "너무 화가 나서 참을 수 없다.",
    "내일 시험이 걱정된다."
]

results = classifier(texts)
for text, result in zip(texts, results):
    print(f"文本: {text}")
    print(f"情感: {result['label']} (概率: {result['score']:.3f})")
    print()

✨ 主要特性

• 精準分類：能夠準確識別六種主要的韓語情感，包括憤怒、幸福、焦慮、尷尬、悲傷和心痛。
• 多方式使用：支持通過Transformers庫和Pipeline兩種方式調用，方便不同場景的使用。
• 廣泛應用：可應用於社交媒體情感分析、客戶評論分析、聊天機器人情感識別等多個領域。

📦 安裝指南

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

📚 詳細文檔

模型描述

此模型是針對韓語情感分類對KoELECTRA進行微調得到的。它可以對六種主要情感（憤怒、幸福、焦慮、尷尬、悲傷、心痛）進行分類。

• 基礎模型：KoELECTRA (Korean ELECTRA)
• 任務類型：多類別情感分類
• 支持語言：韓語
• 許可證：MIT

情感標籤

模型可以對以下六種情感進行分類：

模型架構

• 基礎模型：KoELECTRA-base
• 模型類型：序列分類
• 隱藏層大小：768
• 注意力頭數量：12
• 隱藏層數量：12
• 最大序列長度：512
• 詞彙表大小：35000
• 標籤數量：6

訓練詳情

訓練數據

• 數據集：自定義韓語情感數據集
• 訓練樣本：約50,000個句子
• 驗證樣本：約10,000個句子
• 數據來源：韓語社交媒體帖子、評論和文學作品

訓練超參數

• 學習率：2e-5
• 批次大小：16
• 訓練輪數：3 - 5
• 熱身步數：500
• 權重衰減：0.01
• 最大序列長度：512

訓練環境

• 框架：PyTorch + Transformers
• 硬件：支持CUDA的GPU
• 優化器：AdamW

性能指標

各類別性能

應用場景

該模型可用於以下場景：

• 社交媒體情感分析：瞭解帖子和評論中的情感傾向。
• 客戶評論分析：對產品或服務評論進行情感分類。
• 聊天機器人情感識別：在對話系統中識別用戶的情感。
• 內容推薦：基於情感的內容推薦系統。
• 音樂推薦：根據文本情感推薦音樂。
• 文學分析：分析小說、詩歌等文學作品中的情感。

侷限性

• 語言限制：模型針對韓語文本進行了優化。
• 長度限制：最多可處理512個標記。
• 準確性波動：情感分類的準確性可能會因上下文而異。
• 特定表達性能：對俚語、新造詞和方言的處理性能可能有限。

偏差與公平性

此模型可能會反映訓練數據中的偏差。在實際服務中應用時，可能會對特定主題或表達方式產生偏差結果，因此需要進行充分的驗證和監控。

引用格式

@misc{koelectra_emotion_2024,
  title={KoELECTRA Fine-tuned for Korean Emotion Classification},
  author={Jinuuuu},
  year={2024},
  publisher={Hugging Face},
  howpublished={\url{https://huggingface.co/Jinuuuu/KoELECTRA_fine_tunning_emotion}}
}

模型卡片作者

• 開發者：Jinuuuu
• 模型類型：文本分類
• 支持語言：韓語
• 許可證：MIT

聯繫方式

如果您對模型有任何疑問或改進建議，請通過GitHub問題或Hugging Face模型頁面與我們聯繫。

重要提示

本模型是為研究和教育目的而開發的。在商業使用時，請進行充分的驗證和測試。