Zero Shot Classify SSTuning ALBERT

🚀 零样本文本分类（基于albert - xxlarge - v2的模型，采用自监督调优训练）

本项目是一个采用自监督调优（SSTuning）训练的零样本文本分类模型。该模型由Chaoqun Liu、Wenxuan Zhang、Guizhen Chen、Xiaobao Wu、Anh Tuan Luu、Chip Hong Chang、Lidong Bing等人在论文Zero - Shot Text Classification via Self - Supervised Tuning中提出，并首次在[此仓库](https://github.com/DAMO - NLP - SG/SSTuning)发布。模型的骨干架构为albert - xxlarge - v2。

🚀 快速开始

你可以通过Colab [Notebook](https://colab.research.google.com/drive/17bqc8cXFF - wDmZ0o8j7sbrQB9Cq7Gowr?usp=sharing)来试用该模型。

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch, string, random

tokenizer = AutoTokenizer.from_pretrained("albert-xxlarge-v2")
model = AutoModelForSequenceClassification.from_pretrained("DAMO-NLP-SG/zero-shot-classify-SSTuning-ALBERT")

text = "I love this place! The food is always so fresh and delicious."
list_label = ["negative", "positive"]

device = torch.device('cuda') if torch.cuda.is_available() else torch.device('cpu')
list_ABC = [x for x in string.ascii_uppercase]

def check_text(model, text, list_label, shuffle=False): 
    list_label = [x+'.' if x[-1] != '.' else x for x in list_label]
    list_label_new = list_label + [tokenizer.pad_token]* (20 - len(list_label))
    if shuffle: 
        random.shuffle(list_label_new)
    s_option = ' '.join(['('+list_ABC[i]+') '+list_label_new[i] for i in range(len(list_label_new))])
    text = f'{s_option} {tokenizer.sep_token} {text}'

    model.to(device).eval()
    encoding = tokenizer([text],truncation=True, max_length=512,return_tensors='pt')
    item = {key: val.to(device) for key, val in encoding.items()}
    logits = model(**item).logits
    
    logits = logits if shuffle else logits[:,0:len(list_label)]
    probs = torch.nn.functional.softmax(logits, dim = -1).tolist()
    predictions = torch.argmax(logits, dim=-1).item() 
    probabilities = [round(x,5) for x in probs[0]]

    print(f'prediction:    {predictions} => ({list_ABC[predictions]}) {list_label_new[predictions]}')
    print(f'probability:   {round(probabilities[predictions]*100,2)}%')

check_text(model, text, list_label)
# prediction:    1 => (B) positive.
# probability:   98.64%

✨ 主要特性

• 该模型可用于零样本文本分类任务，如情感分析和主题分类，无需进一步微调。
• 模型使用无标签数据，通过名为第一句子预测（FSP）的学习目标进行调优。

📚 详细文档

模型描述

该模型使用无标签数据，通过名为第一句子预测（FSP）的学习目标进行调优。FSP任务的设计考虑了无标签语料的性质以及分类任务的输入/输出格式。训练集和验证集是使用FSP从无标签语料库中构建的。

在调优过程中，采用了类似BERT的预训练掩码语言模型（如RoBERTa和ALBERT）作为骨干架构，并添加了一个用于分类的输出层。FSP的学习目标是预测正确标签的索引，使用交叉熵损失来调优模型。

模型变体

已发布三种版本的模型，详情如下：

请注意，zero - shot - classify - SSTuning - base的训练数据量（2048万）比论文中的更多，这将提高模型的准确率。

预期用途和限制

该模型可用于零样本文本分类任务，如情感分析和主题分类，无需进一步微调。标签数量应在2到20之间。

BibTeX引用和引用信息

@inproceedings{acl23/SSTuning,
  author    = {Chaoqun Liu and
               Wenxuan Zhang and
               Guizhen Chen and
               Xiaobao Wu and
               Anh Tuan Luu and
               Chip Hong Chang and 
               Lidong Bing},
  title     = {Zero-Shot Text Classification via Self-Supervised Tuning},
  booktitle = {Findings of the Association for Computational Linguistics: ACL 2023},
  year      = {2023},
  url       = {https://arxiv.org/abs/2305.11442},
}

📄 许可证

本项目采用MIT许可证。