Roberta Base Frenk Hate

🚀 roberta-base-frenk-hate

这是一个基于文本分类的模型，它以roberta-base为基础，并在FRENK数据集上进行了微调。该数据集包含针对LGBT群体和移民的仇恨言论。微调仅使用了数据集中的英文子集，并且对数据集进行了重新标注，以进行二元分类（冒犯性或可接受）。

🚀 快速开始

本模型基于roberta-base，在特定数据集上微调后可用于文本分类任务，能判断文本是否具有冒犯性。

✨ 主要特性

• 基于roberta-base模型，在特定的仇恨言论数据集上进行微调。
• 仅使用英文子集数据进行微调，并重新标注为二元分类任务。

📦 安装指南

文档未提供安装步骤，故跳过此章节。

💻 使用示例

基础用法

from simpletransformers.classification import ClassificationModel
model_args = {
        "num_train_epochs": 6,
        "learning_rate": 3e-6,
        "train_batch_size": 69}

model = ClassificationModel(
    "roberta", "5roop/roberta-base-frenk-hate", use_cuda=True,
    args=model_args
    
)

predictions, logit_output = model.predict(["Build the wall", 
                                        "Build the wall of trust"]
                                        )
predictions
### Output:
### array([1, 0])

📚 详细文档

微调超参数

使用simpletransformers进行微调。事先进行了简要的超参数优化，推测的最优超参数如下：

model_args = {
        "num_train_epochs": 6,
        "learning_rate": 3e-6,
        "train_batch_size": 69}

性能表现

为了进行比较，使用相同的管道对另外两个Transformer模型和fasttext进行了运行。记录了6次微调会话中每个模型的准确率和宏F1分数，并进行了事后分析。

根据记录的准确率和宏F1分数，还计算了p值：

与xlm-roberta-base的比较：

与xlm-roberta-large的比较结果不明确。roberta-base的平均准确率为0.7915，而xlm-roberta-large的平均准确率为0.7904。如果比较宏F1分数，roberta-base实际上比xlm-roberta-large的平均值低：分别为0.77852和0.77876。在假设roberta-base具有更好指标的前提下进行了相同的统计测试，结果如下：

在相反的假设下（即xlm-roberta-large具有更好的统计指标），这种情况下宏F1分数的Wilcoxon p值达到0.656，Mann - Whithey p值为0.399，当然Student p值保持不变。因此得出结论，这两个模型的性能在统计上没有显著差异。

🔧 技术细节

文档中关于技术细节的描述主要围绕微调超参数和性能比较，已在详细文档中体现。

📄 许可证

本项目采用CC BY-SA 4.0许可证。

📖 引用

如果您使用该模型，请引用以下论文，该论文是原始模型的基础：

@article{DBLP:journals/corr/abs-1907-11692,
  author    = {Yinhan Liu and
               Myle Ott and
               Naman Goyal and
               Jingfei Du and
               Mandar Joshi and
               Danqi Chen and
               Omer Levy and
               Mike Lewis and
               Luke Zettlemoyer and
               Veselin Stoyanov},
  title     = {RoBERTa: {A} Robustly Optimized {BERT} Pretraining Approach},
  journal   = {CoRR},
  volume    = {abs/1907.11692},
  year      = {2019},
  url       = {http://arxiv.org/abs/1907.11692},
  archivePrefix = {arXiv},
  eprint    = {1907.11692},
  timestamp = {Thu, 01 Aug 2019 08:59:33 +0200},
  biburl    = {https://dblp.org/rec/journals/corr/abs-1907-11692.bib},
  bibsource = {dblp computer science bibliography, https://dblp.org}
}

以及用于微调的数据集：

@misc{ljubešić2019frenk,
      title={The FRENK Datasets of Socially Unacceptable Discourse in Slovene and English}, 
      author={Nikola Ljubešić and Darja Fišer and Tomaž Erjavec},
      year={2019},
      eprint={1906.02045},
      archivePrefix={arXiv},
      primaryClass={cs.CL},
      url={https://arxiv.org/abs/1906.02045}
}