# 社交媒體分析

基於bert-base-chinese在微博100k情感分析數據集上微調的中文文本分類模型

現代雙向僅編碼器Transformer模型的俄語版本，基於約2萬億俄語、英語和代碼標記進行預訓練，上下文長度達8,192個標記。

基於dbmdz/bert-base-turkish-cased微調的土耳其語情感分析模型，支持負面、中性和正面三種情感分類。

基於mDeBERTa-v3-base微調的中文情感分類模型，可識別8種情緒標籤

基於distilbert/distilbert-base-uncased微調的情感分析模型，僅使用合成數據訓練，支持5種情感分類。

基於日語推特BERT微調的情感分析模型，專門用於分析日語推文的情感傾向。

基於camembert-base微調的法語推文情感分類模型，可將法語文本分類為積極、消極或中性

STAR是一個基於監督對比預訓練變換器的模型，用於社交媒體寫作風格理解。

基於BERT的微調模型，專為多標籤情感分類設計，支持11種情感識別。

基於BETO（西班牙語版BERT）構建的情感分析模型，支持西班牙語文本的情感分類。

WRAPresentations是一款先進的句子轉換器模型，專為推特論點挖掘設計，能將推文映射為'理由'、'陳述'、'通知'和'無意義'四種類別。

這是一個基於AutoTrain訓練的二元分類模型，用於區分表情包和非表情包圖像。

這是一個使用AutoTrain訓練的二元分類模型，用於區分圖像是否包含地圖。

基於CrossSum數據集微調的多語言摘要生成模型，支持45種語言的跨語言摘要生成

基於RoBERTa-large架構，通過Reddit上的抑鬱主題帖子進行預訓練的語言模型，專為抑鬱症檢測設計。

基於hfl/chinese-roberta-wwm-ext模型在COLDataset上微調的中文冒犯性語言檢測模型

這是一個基於Google的ViT模型進行微調的圖像分類模型，專門用於表情包識別任務。

基於microsoft/xtremedistil-l6-h384-uncased微調的模型，具體用途未明確說明

基於roberta-base在tweetner7數據集上微調的命名實體識別模型，專門用於推特文本中的實體識別。

該模型是基於Twitter數據預訓練的RoBERTa模型，在tner/tweetner7數據集上微調，用於推文中的命名實體識別。

該模型是基於RoBERTa架構的Twitter專用命名實體識別模型，在tweetner7數據集上持續微調，用於識別推文中的命名實體。

基於Twitter-RoBERTa模型在TweetNER7數據集上微調的命名實體識別模型，專門用於推文中的實體識別。

基於roberta-large在tner/tweetner7數據集上微調的命名實體識別模型，專門用於推特文本中的實體識別

預訓練的阿拉伯語BERT基礎語言模型，支持現代標準阿拉伯語和部分方言

基於Tweebank V2命名實體識別基準訓練的Twitter詞性標註基線模型，準確率達95.21%

基於CrossSum數據集微調的mT5多對一模型，能夠用中文(簡體)總結多種語言編寫的文本

基於Distilbert的土耳其語情感分析模型，在翻譯為土耳其語的情感數據集上微調

這是一個通過AutoNLP訓練的二元分類模型，用於檢測文本中的仇恨言論內容。

該模型基於RoBERTa架構，用於分析英文文本中表達的購買意向，進行二分類（有/無購買意向）。

基於俄語敏感主題數據集訓練的文本分類模型，可識別18類可能損害企業聲譽的不當內容

針對阿拉伯語的預訓練BERT大型語言模型，支持現代標準阿拉伯語和部分方言

AraBERTv0.2-Twitter是針對阿拉伯語方言及推文優化的預訓練語言模型，基於BERT架構開發，新增表情符號和常見詞彙支持。

基於mT5架構的多語言摘要模型，可將多種語言的文本摘要為英語

基於RoBERTa-base架構的諷刺文本分類器，用於區分文本是否為諷刺內容

這是一個基於SlovakBERT的情感分析分類器，專為斯洛伐克語推文優化，可區分負面、中性和積極三種情感級別。

基於BERT Tiny架構微調的輕量級假新聞檢測模型，適用於中文文本分析

基於bert-base-uncased微調的情感分析模型，用於推文情感分類

針對阿拉伯語方言及推文優化的BERT模型，在6000萬條阿拉伯語推文上進行了MLM任務預訓練，新增表情符號和常用詞彙支持。

基於bert-base-uncased微調的模型，用於識別仇恨表情包文本內容

基於distilbert-base-uncased微調的仇恨言論檢測模型，在tweet_eval數據集上訓練