Customer Reviews Classification

🚀 客户评价分类模型

本项目基于DistilBERT微调得到的模型，可将客户反馈精准分类为六个预定义类别，为客户评价分析提供高效解决方案。

🚀 快速开始

以下是使用该模型进行推理的示例：

from transformers import pipeline

classifier = pipeline("text-classification", model="dnzblgn/Customer-Reviews-Classification")
result = classifier("The product arrived on time and was exactly as described.")
print(result)

✨ 主要特性

• 高效分类：基于DistilBERT的Transformer架构，能有效处理文本的句法模式，根据内容、风格和结构进行准确的文档分类。
• 多类别覆盖：可将客户反馈分为六个预定义类别，包括运输与交付、客户服务、价格与价值、质量与性能、使用与设计以及其他。

📦 安装指南

文档未提及具体安装步骤，可参考transformers库的官方安装指南进行安装。

💻 使用示例

基础用法

from transformers import pipeline

classifier = pipeline("text-classification", model="dnzblgn/Customer-Reviews-Classification")
result = classifier("The product arrived on time and was exactly as described.")
print(result)

📚 详细文档

类别映射

label_mapping = {
    "shipping_and_delivery": 0,
    "customer_service": 1,
    "price_and_value": 2,
    "quality_and_performance": 3,
    "use_and_design": 4,
    "other": 5
}

模型描述

这个经过微调的DistilBERT模型专为文档分类而设计。它将客户反馈分为六个预定义类别：运输与交付、客户服务、价格与价值、质量与性能、使用与设计以及其他。通过利用DistilBERT基于Transformer的架构，该模型能有效处理文本的句法模式，根据内容、风格和结构提供准确的文档分类。

偏差、风险和局限性

虽然该模型在六个类别上实现了较高的准确率，但在处理重叠类别或单个文档中的多个标签时存在局限性。该模型设计用于单标签分类，即每个文档只能检测一个标签。如果一个文档包含多个类别的特征（例如，同时包含“质量与性能”和“价格与价值”），模型可能难以正确识别两者，只会预测一个类别，可能导致错误分类。

建议

用户（直接用户和下游用户）应了解该模型的单标签预测限制。在文档包含多个类别特征的情况下，应考虑使用其他模型或多标签分类技术。

训练数据

为该任务创建了一个自定义合成数据集，重点关注文本的结构特征。该数据集提供了六个类别的示例，帮助模型从文本的句法组织和含义中学习。

训练超参数

• 模型：distilbert/distilbert-base-uncased
• 学习率：3e-5
• 训练轮数：7
• 训练批次大小：16
• 梯度累积步数：2
• 权重衰减：0.015
• 预热比例：0.1

评估

使用代表相同六个文档类别的自定义数据集对模型进行评估。根据准确率、精确率、召回率和F1分数衡量模型在各个类别上的性能。

指标

• 准确率：0.947
• 精确率：0.948
• 召回率：0.948
• F1分数：0.948

如需访问使用的合成数据集，请联系：[deniz.bilgin@uni-konstanz.de]。

🔧 技术细节

本模型基于DistilBERT进行微调，通过自定义合成数据集进行训练，学习文本的句法组织和含义。在训练过程中，使用了特定的超参数，如学习率、训练轮数等，以优化模型性能。评估时，使用自定义数据集和多种指标来衡量模型的准确性和有效性。

📄 许可证

本模型使用Apache 2.0许可证。