Emotion English Distilroberta Base

🚀 英语情感分析DistilRoBERTa-base模型

本模型可用于对英文文本数据进行情感分类。它在6个不同的数据集上进行训练（详见下方附录），能够预测Ekman提出的6种基本情感，外加一个中性类别：

1. 愤怒 🤬
2. 厌恶 🤢
3. 恐惧 😨
4. 喜悦 😀
5. 中性 😐
6. 悲伤 😭
7. 惊讶 😲

该模型是DistilRoBERTa-base的微调版本。若需要“非蒸馏”的情感模型，请参考RoBERTa-large版本的模型卡片。

🚀 快速开始

单文本示例

在Google Colab上使用Hugging Face的pipeline命令，只需3行代码即可运行情感模型：

from transformers import pipeline
classifier = pipeline("text-classification", model="j-hartmann/emotion-english-distilroberta-base", return_all_scores=True)
classifier("I love this!")

输出:
[[{'label': 'anger', 'score': 0.004419783595949411},
  {'label': 'disgust', 'score': 0.0016119900392368436},
  {'label': 'fear', 'score': 0.0004138521908316761},
  {'label': 'joy', 'score': 0.9771687984466553},
  {'label': 'neutral', 'score': 0.005764586851000786},
  {'label': 'sadness', 'score': 0.002092392183840275},
  {'label': 'surprise', 'score': 0.008528684265911579}]]

多示例和完整数据集

在Google Colab上对多个示例和完整数据集（如.csv文件）运行情感模型：

💻 联系我们

如果您有任何问题或反馈，请联系 jochen.hartmann@tum.de。

感谢Samuel Domdey和 chrsiebert 对本模型发布的支持。

✅ 引用信息

如果您使用此模型，请引用以下内容。相关工作论文即将发布。

Jochen Hartmann, "Emotion English DistilRoBERTa-base". https://huggingface.co/j-hartmann/emotion-english-distilroberta-base/, 2022.

BibTex引用格式：

@misc{hartmann2022emotionenglish,
  author={Hartmann, Jochen},
  title={Emotion English DistilRoBERTa-base},
  year={2022},
  howpublished = {\url{https://huggingface.co/j-hartmann/emotion-english-distilroberta-base/}},
}

📚 附录

以下是用于训练的数据集概述。所有数据集均包含英文文本。该表格总结了每个数据集中包含哪些情感标签。这些数据集涵盖了多种文本类型，具体包括来自Twitter、Reddit、学生自我报告以及电视对话的文本情感标签。由于MELD（多模态情感线数据集）是对流行的情感线数据集的扩展，因此这里不包含情感线数据集本身。

该模型在上述数据集的一个平衡子集上进行训练（每种情感2811个观测值，即总共近20000个观测值）。这个平衡子集的80%用于训练，20%用于评估。评估准确率为66%（随机猜测的基线准确率为1/7 = 14%）。

📖 科学应用

以下是使用“英语情感分析DistilRoBERTa-base模型”的论文列表。如果您希望您的论文被添加到列表中，请给我发送电子邮件。

• Butt, S., Sharma, S., Sharma, R., Sidorov, G., & Gelbukh, A. (2022). What goes on inside rumour and non-rumour tweets and their reactions: A Psycholinguistic Analyses. Computers in Human Behavior, 107345.
• Kuang, Z., Zong, S., Zhang, J., Chen, J., & Liu, H. (2022). Music-to-Text Synaesthesia: Generating Descriptive Text from Music Recordings. arXiv preprint arXiv:2210.00434.
• Rozado, D., Hughes, R., & Halberstadt, J. (2022). Longitudinal analysis of sentiment and emotion in news media headlines using automated labelling with Transformer language models. Plos one, 17(10), e0276367.