Emoberta Large

🚀 对话情感识别 (ERC)

对话情感识别（ERC）项目旨在利用文本模态对对话中的情感进行准确分类。本项目在MELD和IEMOCAP两个数据集上进行了实验，具有较高的实用价值和研究意义。

🚀 快速开始

请查看此处获取详细信息。

观看演示视频！

✨ 主要特性

• 目前仅使用文本模态对对话中的情感进行分类。
• 在MELD和IEMOCAP两个数据集上进行实验，取得了较好的效果。
• 提供了EmoBERTa模型的训练和部署方法。

📦 安装指南

前提条件

1. 一台x86 - 64的Unix或类Unix机器。
2. Python 3.8或更高版本。
3. 强烈建议在虚拟环境（如conda、virtualenv等）中运行，以免影响系统Python。
4. 克隆[multimodal - datasets仓库](https://github.com/tae898/multimodal - datasets)（子模块）。
5. 执行pip install -r requirements.txt安装依赖。

EmoBERTa训练

首先在train - erc - text.yaml中配置超参数和数据集，然后在该目录下运行以下命令。建议在虚拟环境中运行。

python train-erc-text.py

此命令将依次调用train - erc - text - hp.py和train - erc - text - full.py。

💻 使用示例

训练结果

以上数值是五次随机种子运行的平均值。

如果您想查看更多训练测试细节，请查看./results/。

如果您想下载训练好的检查点等文件，可以从这里下载，这是一个较大的压缩文件。

部署

Huggingface

我们已在Huggingface上发布了模型：

• [emoberta - base](https://huggingface.co/tae898/emoberta - base)
• [emoberta - large](https://huggingface.co/tae898/emoberta - large)

它们分别基于[RoBERTa - base](https://huggingface.co/roberta - base)和[RoBERTa - large](https://huggingface.co/roberta - large)，在[MELD和IEMOCAP两个数据集](utterance - ordered - MELD_IEMOCAP.json)上进行训练。我们部署的模型既不考虑说话者信息，也不考虑前后对话，即每次仅对单个语句（如 "I love you"）进行分类。

Flask应用

您可以将Flask RESTful服务器应用作为Docker容器运行，也可以作为Python脚本运行。

1. 作为Docker容器运行（推荐） 有四个镜像可供选择：
   • docker run -it --rm -p 10006:10006 tae898/emoberta - base
   • docker run -it --rm -p 10006:10006 --gpus all tae898/emoberta - base - cuda
   • docker run -it --rm -p 10006:10006 tae898/emoberta - large
   • docker run -it --rm -p 10006:10006 --gpus all tae898/emoberta - large - cuda
2. 在Python环境中运行 此方法不如Docker方法推荐。 首先运行pip install -r requirements - deploy.txt，然后运行app.py，这是一个Flask RESTful服务器，用法如下：

app.py [-h] [--host HOST] [--port PORT] [--device DEVICE] [--model - type MODEL_TYPE]

例如：

python app.py --host 0.0.0.0 --port 10006 --device cpu --model - type emoberta - base

客户端

应用运行后，您可以向服务器发送文本。首先安装必要的包：pip install -r requirements - client.txt，然后运行client.py，用法如下：

client.py [-h] [--url - emoberta URL_EMOBERTA] --text TEXT

例如：

python client.py --text "Emotion recognition is so cool!"

将输出：

{
    "neutral": 0.0049800905,
    "joy": 0.96399665,
    "surprise": 0.018937444,
    "anger": 0.0071516023,
    "sadness": 0.002021492,
    "disgust": 0.001495996,
    "fear": 0.0014167271
}

📚 详细文档

故障排除

查找和解决问题的最佳方法是查看GitHub的问题标签。如果您找不到所需内容，请随时提出问题，我们会及时响应。

贡献

贡献使开源社区成为一个学习、启发和创造的绝佳场所。您的任何贡献都非常感谢。

1. 分叉项目。
2. 创建您的功能分支（git checkout -b feature/AmazingFeature）。
3. 在根仓库目录下运行make style && quality，确保代码质量。
4. 提交更改（git commit -m 'Add some AmazingFeature'）。
5. 推送到分支（git push origin feature/AmazingFeature）。
6. 打开拉取请求。

引用我们的工作

请查看论文。

@misc{kim2021emoberta,
      title={EmoBERTa: Speaker-Aware Emotion Recognition in Conversation with RoBERTa}, 
      author={Taewoon Kim and Piek Vossen},
      year={2021},
      eprint={2108.12009},
      archivePrefix={arXiv},
      primaryClass={cs.CL}
}

📄 许可证

本项目采用MIT许可证。

作者

• Taewoon Kim