Longformer For Financial Sentiment Analysis

🚀 SeanD103/Longformer_for_Financial_Sentiment_Analysis

該項目基於Allen AI的Longformer模型進行微調，用於金融文本的情感分析，能高效處理長文檔，適用於新聞文章、財報等多種金融文本。

🚀 快速開始

本模型可用於對金融文本進行情感分類，如新聞文章、收益報告和財務報表等。藉助Longformer能夠高效處理長文檔的能力，該模型可以處理長達4096個標記的擴展文本，非常適合較長的金融文本。

✨ 主要特性

• 基於Allen AI的Longformer模型進行微調，專門用於金融文本的情感分析。
• 能夠處理長達4096個標記的長文本，適應各種金融文本場景。
• 支持對金融文本進行積極、中性、消極三種情感分類。

📦 安裝指南

原文檔未提及安裝步驟，此處跳過。

💻 使用示例

基礎用法

from transformers import AutoTokenizer, AutoModelForSequenceClassification

# Load the tokenizer and model
model_path = "SeanD103/Longformer_for_financial_sentiment_analysis"
tokenizer = AutoTokenizer.from_pretrained(model_path)
model = AutoModelForSequenceClassification.from_pretrained(model_path)

# Example input
example_text = "The company's quarterly earnings exceeded expectations, leading to a rise in stock prices."

# Tokenize and get predictions
inputs = tokenizer(example_text, return_tensors="pt", truncation=True, padding=True)
outputs = model(**inputs)
predictions = outputs.logits.argmax(-1)

# Map predictions to labels
sentiment_mapping = {0: "Negative", 1: "Neutral", 2: "Positive"}
sentiment = sentiment_mapping[predictions.item()]
print(f'Input text: {example_text} \nEstimated sentiment: {sentiment}')

📚 詳細文檔

模型詳情

訓練數據

該模型在Financial PhraseBank數據集上進行了微調，該數據集包含從金融新聞中選取的4840個句子，並標註了相關的情感。

🔧 技術細節

原文檔未提供足夠的技術實現細節，此處跳過。

📄 許可證

本項目採用MIT許可證。

致謝

本模型基於Allen AI開發的Longformer架構，並使用了Malo等人的Financial PhraseBank數據集進行微調。