Bert 43 Multilabel Emotion Detection

🚀 bert-43-多标签情感检测模型

本模型旨在解决英文文本情感内容理解和分类的问题，可对英文句子的情感内容进行分类，为情感分析、社交媒体监测等应用提供支持。

🚀 快速开始

你可以按照以下代码示例快速使用该模型：

from transformers import pipeline

# 加载预训练模型和分词器
model = 'borisn70/bert-43-multilabel-emotion-detection'
tokenizer = 'borisn70/bert-43-multilabel-emotion-detection'

# 创建情感分析管道
nlp = pipeline('sentiment-analysis', model=model, tokenizer=tokenizer)

# 用一个句子测试模型
result = nlp("I feel great about this!")

# 打印结果
print(result)

✨ 主要特性

• 基于“bert-base-uncased”进行微调，可将英文句子的情感内容分为43个类别。
• 在多个数据集上进行训练，包括tweet_emotions、GoEmotions和合成数据。
• 在验证集上取得了较高的性能指标，如准确率达到92.02%。

📦 安装指南

文档未提及具体安装命令，暂不提供安装指南。

💻 使用示例

基础用法

from transformers import pipeline

# 加载预训练模型和分词器
model = 'borisn70/bert-43-multilabel-emotion-detection'
tokenizer = 'borisn70/bert-43-multilabel-emotion-detection'

# 创建情感分析管道
nlp = pipeline('sentiment-analysis', model=model, tokenizer=tokenizer)

# 用一个句子测试模型
result = nlp("I feel great about this!")

# 打印结果
print(result)

📚 详细文档

模型描述

“bert-43-多标签情感检测”模型是“bert-base-uncased”的微调版本，经过训练，可根据英文句子的情感内容将其分为43个类别之一。该模型在多个数据集的组合上进行训练，包括tweet_emotions、GoEmotions和合成数据，总计约271,000条记录，每个标签约有6,306条记录。

预期用途

该模型适用于任何需要理解或分类英文文本情感内容的应用，包括情感分析、社交媒体监测、客户反馈分析等。

训练数据

训练数据包括以下数据集：

• Tweet Emotions
• GoEmotions
• 合成数据

训练过程

该模型在Google Colab V100 GPU（16 GB RAM）上训练了20个epoch，大约耗时6小时。使用了以下设置：

from transformers import TrainingArguments

training_args = TrainingArguments(
    output_dir='results',        
    optim="adamw_torch",
    learning_rate=2e-5,               # 学习率
    num_train_epochs=20,              # 训练总轮数
    per_device_train_batch_size=128,  # 训练时每个设备的批量大小
    per_device_eval_batch_size=128,   # 评估时的批量大小
    warmup_steps=500,                 # 学习率调度器的热身步数
    weight_decay=0.01,                # 权重衰减强度
    logging_dir='./logs',             # 存储日志的目录
    logging_steps=100,
)

性能

该模型在验证集上取得了以下性能指标：

• 准确率：92.02%
• 加权F1分数：91.93%
• 加权精确率：91.88%
• 加权召回率：92.02%

同时还提供了43个标签中每个标签的详细性能信息。

标签映射

准确率报告

局限性和偏差

⚠️ 重要提示

• 模型在不同情感类别上的性能可能会有显著差异，尤其是在训练数据中代表性较少的类别。
• 用户应谨慎对待训练数据中可能存在的偏差，这些偏差可能会反映在模型的预测中。

联系信息

如果你有任何问题、反馈或想报告模型的任何问题，请随时联系：

• 邮箱：borisn70@gmail.com
• 领英：Boris Atayan

📄 许可证

本模型采用MIT许可证。