Sentiment Roberta Large English

🚀 SiEBERT - 英文情感分类模型

本模型（“SiEBERT”，“英文情感分析”的缩写）能够对各类英文文本进行可靠的二分类情感分析，为英文文本情感分析提供了高效且准确的解决方案。

🚀 快速开始

数据集预测

若你想对自己的数据集进行情感预测，我们通过 Google Colab 提供了示例脚本。你可以将数据加载到 Google 云端硬盘，然后在 Colab 的 GPU 上免费运行脚本，设置过程只需几分钟。建议你手动标注部分数据，以评估该模型在你实际应用场景中的性能。若需了解不同情感分析场景下的性能基准值，请参考我们的论文（Hartmann 等人，2023）。

在 Hugging Face 管道中使用

使用该模型进行单条预测最简单的方法是借助 Hugging Face 的 情感分析管道，只需几行代码，示例如下：

from transformers import pipeline
sentiment_analysis = pipeline("sentiment-analysis", model="siebert/sentiment-roberta-large-english")
print(sentiment_analysis("I love this!"))

进一步微调使用

该模型也可作为起点，用于在你特定的数据集上对 RoBERTa 进行进一步微调。具体细节和示例代码请参考 Hugging Face 的 文档。

✨ 主要特性

• 可靠的情感分析：该模型（“SiEBERT”，“英文情感分析”的缩写）是 RoBERTa-large（Liu 等人，2019）的微调版本，能够对各类英文文本进行可靠的二分类情感分析，针对每个文本实例，预测其情感为积极（1）或消极（0）。
• 广泛的泛化能力：模型在来自不同文本来源的 15 个数据集上进行了微调与评估，增强了在不同类型文本（评论、推文等）上的泛化能力。与仅在单一类型文本（如流行的 SST - 2 基准测试中的电影评论）上训练的模型相比，在新数据上的表现更优。

📚 详细文档

性能表现

为评估我们通用情感分析模型的性能，我们从每个数据集中预留了一个评估集，该评估集未用于训练。平均而言，我们的模型比 基于 DistilBERT 的模型（仅在流行的 SST - 2 数据集上微调）高出 15 个百分点以上（78.1% 对比 93.2%，见下表）。作为稳健性检查，我们采用留一法评估模型（在 14 个数据集上训练，在留出的一个数据集上评估），平均而言，模型性能仅下降约 3 个百分点，这凸显了其泛化能力。模型性能以评估集的准确率百分比表示。

微调超参数

• 学习率（learning_rate） = 2e - 5
• 训练轮数（num_train_epochs） = 3.0
• 热身步数（warmump_steps） = 500
• 权重衰减（weight_decay） = 0.01

其他参数保持 此处 列出的默认值。

📄 许可证

使用我们的模型时，请引用 这篇论文（发表于 IJRM）。如有任何问题或反馈，请随时联系 christian.siebert@uni - hamburg.de。

@article{hartmann2023,
title = {More than a Feeling: Accuracy and Application of Sentiment Analysis},
journal = {International Journal of Research in Marketing},
volume = {40},
number = {1},
pages = {75-87},
year = {2023},
doi = {https://doi.org/10.1016/j.ijresmar.2022.05.005},
url = {https://www.sciencedirect.com/science/article/pii/S0167811622000477},
author = {Jochen Hartmann and Mark Heitmann and Christian Siebert and Christina Schamp},
}