Covid Twitter Bert V2 Mnli

🚀 COVID-Twitter-BERT v2 MNLI

本模型是一个零样本分类器，适用于因缺乏标注数据而无法针对特定任务微调CT - BERT的场景。它能有效解决在没有大量标注数据的情况下进行文本分类的难题，为相关研究和应用提供了便捷的解决方案。

🚀 快速开始

本模型提供了便捷的使用方式，你可以通过以下步骤快速体验其功能。

基础用法

from transformers import pipeline
classifier = pipeline("zero-shot-classification", model="digitalepidemiologylab/covid-twitter-bert-v2-mnli")

高级用法

sequence_to_classify = 'To stop the pandemic it is important that everyone turns up for their shots.'
candidate_labels = ['health', 'sport', 'vaccine','guns']
hypothesis_template = 'This example is {}.'
classifier(sequence_to_classify, candidate_labels, hypothesis_template=hypothesis_template, multi_class=True)

✨ 主要特性

• 零样本分类能力：该模型基于Yin等人的技术，能够在没有针对特定任务进行微调的情况下，将预训练的MNLI模型用作零样本序列分类器。
• 广泛的适用性：可用于多种文本分类场景，如将COVID - 推文分类为与疫苗相关和与疫苗无关。
• 便捷的使用方式：可以通过Hugging Face管道轻松尝试，无需额外的训练步骤。

📚 详细文档

模型描述

此模型提供了一个零样本分类器，用于在因缺乏标注数据而无法针对特定任务微调CT - BERT的情况下使用。该技术基于Yin等人的研究，文章介绍了一种非常巧妙的方法，将预训练的MNLI模型用作零样本序列分类器。该模型已经在40万个通用逻辑任务上进行了微调，我们可以通过将分类任务重新表述为一个问题，将其用作零样本分类器。

例如，假设我们要将COVID - 推文分类为与疫苗相关和与疫苗无关。传统的方法是收集几百条预先标注的推文，并将它们分为两类，然后对模型进行微调。而使用零样本MNLI分类器，你可以将问题重新表述为“这段文本是关于疫苗的”，并直接用于推理，无需任何训练。

你可以在我们的GitHub页面上找到有关该模型的更多信息。

使用说明

请注意，问题的表述方式可能会导致略有不同的结果。收集训练集并进行微调，很可能会提高准确性。

尝试此模型的最简单方法是使用Hugging Face管道。它使用默认的英语模板，在文本前面加上“这个例子是 ”。

训练过程

该模型在40万个大规模MNLI任务上进行了微调。

📄 许可证

本项目采用MIT许可证。

🔖 引用信息

@article{muller2020covid,
  title={COVID-Twitter-BERT: A Natural Language Processing Model to Analyse COVID-19 Content on Twitter},
  author={M{\"u}ller, Martin and Salath{\'e}, Marcel and Kummervold, Per E},
  journal={arXiv preprint arXiv:2005.07503},
  year={2020}
}

或

Martin Müller, Marcel Salathé, and Per E. Kummervold.
COVID-Twitter-BERT: A Natural Language Processing Model to Analyse COVID-19 Content on Twitter.
arXiv preprint arXiv:2005.07503 (2020).

📋 其他信息

⚠️ 重要提示

问题的表述方式可能会导致略有不同的结果，收集训练集并进行微调，很可能会提高准确性。

💡 使用建议

尝试此模型的最简单方法是使用Hugging Face管道，它使用默认的英语模板，在文本前面加上“这个例子是 ”。