Turkish Sentiment

🚀 土耳其语情感分析模型

本项目基于预训练模型开发了一个用于土耳其语情感分析的模型，能够将土耳其语文本分类为消极、中性和积极三种情感类别，在相关任务中表现出色。

🚀 快速开始

本模型是 dbmdz/bert-base-turkish-cased 在 winvoker/turkish-sentiment-analysis-dataset 数据集上进行微调后的版本。它在评估集上取得了以下结果：

• 损失值：0.0880
• 准确率：0.9688
• F1 宏值：0.9454
• F1 加权值：0.9685
• 精确率：0.9683
• 召回率：0.9688

✨ 主要特性

• 基于 BERT 架构（dbmdz 土耳其语 BERT），在大规模土耳其语情感分析数据集上进行微调。
• 能够将土耳其语文本分类为消极、中性和积极三种情感类别。

📦 安装指南

文档未提及安装步骤，跳过此章节。

💻 使用示例

基础用法

# 使用 pipeline 作为高级辅助工具
from transformers import pipeline

pipe = pipeline("text-classification", model="kaixkhazaki/turkish-sentiment")

pipe("Kargo geç geldi ve ürün beklentimi pek karşılamadı.")
>> [{'label': 'Negative', 'score': 0.984860897064209}]

pipe("Yemek lezzetliydi ancak servis yavaş ve çalışanlar ilgisizdi, pek anlayamadım nasıl hissettiğimi.")
>> [{'label': 'Notr', 'score': 0.9881975054740906}]

pipe("Gerçekten müthiş bir deneyimdi, keşke hep burda kalabilsem.")
>> [{'label': 'Positive', 'score': 0.9942901134490967}]

📚 详细文档

模型描述

基于 BERT（dbmdz 土耳其语 BERT）的模型，在大规模土耳其语情感分析数据集上进行了微调。该模型将土耳其语文本分类为三种情感类别：消极、中性和积极。

预期用途与限制

• 适用于涉及情感分析的土耳其语文本分类任务。
• 适用于社交媒体数据、产品评论或土耳其语通用情感检测。

训练和评估数据

在包含 440,679 个训练样本和 48,965 个验证样本的组合数据集上进行微调。

训练过程

在单个 GPU 上使用整个数据集进行了约 25 分钟（1600 步）的训练。

训练超参数

训练期间使用了以下超参数：

• 学习率：3e-05
• 训练批次大小：64
• 评估批次大小：128
• 随机种子：42
• 优化器：使用 adamw_torch，β=(0.9, 0.999)，ε=1e-08，无额外优化器参数
• 学习率调度器类型：余弦
• 学习率调度器预热步数：400
• 训练步数：1600

训练结果

框架版本

• Transformers 4.48.0.dev0
• Pytorch 2.4.1+cu121
• Datasets 3.1.0
• Tokenizers 0.21.0

引用信息

@misc{turkish-sentiment,
  title={Turkish Sentiment Analysis using Turkish BERT},
  author={Fatih Demrici},
  year={2025},
  howpublished={\url{https://huggingface.co/kaixkhazaki/turkish-sentiment}},
}

📄 许可证

本项目采用 MIT 许可证。