Sabert Spanish Sentiment Analysis

🚀 西班牙文情感分析分类器

本项目是一个基于BERT的文本分类器，用于检测西班牙文文本中的情感倾向。它在特定数据集上进行了微调，能够有效识别积极和消极情感。

🚀 快速开始

安装

你可以使用pip安装所需的依赖项：

pip install transformers torch

加载模型

from transformers import BertForSequenceClassification, BertTokenizer
model = BertForSequenceClassification.from_pretrained("VerificadoProfesional/SaBERT-Spanish-Sentiment-Analysis")
tokenizer = BertTokenizer.from_pretrained("VerificadoProfesional/SaBERT-Spanish-Sentiment-Analysis")

预测函数

def predict(model,tokenizer,text,threshold = 0.5):   
        inputs = tokenizer(text, return_tensors="pt", padding=True, truncation=True, max_length=128)
        with torch.no_grad():
            outputs = model(**inputs)
        
        logits = outputs.logits
        probabilities = torch.softmax(logits, dim=1).squeeze().tolist()
        
        predicted_class = torch.argmax(logits, dim=1).item()
        if probabilities[predicted_class] <= threshold and predicted_class == 1:
            predicted_class = 0
  
        return bool(predicted_class), probabilities

进行预测

text = "Your Spanish news text here"
predicted_label,probabilities = predict(model,tokenizer,text)
print(f"Text: {text}")
print(f"Predicted Class: {predicted_label}")
print(f"Probabilities: {probabilities}")

✨ 主要特性

• 该基于BERT的文本分类器是布宜诺斯艾利斯大学（UBA）计算机工程学位论文项目。
• 模型旨在检测西班牙文中的情感，并在 dccuchile/bert-base-spanish-wwm-uncased 模型上使用特定超参数进行了微调。
• 在包含来自不同地区的11,500条西班牙文推文的数据集上进行训练，这些推文有积极和消极两种情感，来源于精心策划的TASS数据集组合。

📦 安装指南

你可以使用以下命令安装所需依赖：

pip install transformers torch

💻 使用示例

基础用法

from transformers import BertForSequenceClassification, BertTokenizer
model = BertForSequenceClassification.from_pretrained("VerificadoProfesional/SaBERT-Spanish-Sentiment-Analysis")
tokenizer = BertTokenizer.from_pretrained("VerificadoProfesional/SaBERT-Spanish-Sentiment-Analysis")

def predict(model,tokenizer,text,threshold = 0.5):   
        inputs = tokenizer(text, return_tensors="pt", padding=True, truncation=True, max_length=128)
        with torch.no_grad():
            outputs = model(**inputs)
        
        logits = outputs.logits
        probabilities = torch.softmax(logits, dim=1).squeeze().tolist()
        
        predicted_class = torch.argmax(logits, dim=1).item()
        if probabilities[predicted_class] <= threshold and predicted_class == 1:
            predicted_class = 0
  
        return bool(predicted_class), probabilities

text = "Your Spanish news text here"
predicted_label,probabilities = predict(model,tokenizer,text)
print(f"Text: {text}")
print(f"Predicted Class: {predicted_label}")
print(f"Probabilities: {probabilities}")

📚 详细文档

团队成员

• Azul Fuentes
• Dante Reinaudo
• Lucía Pardo
• Roberto Iskandarani

模型详情

评估指标

模型的性能使用以下指标进行评估：

• 准确率 = 86.47%
• F1分数 = 86.47%
• 精确率 = 86.46%
• 召回率 = 86.51%

📄 许可证

• Apache许可证2.0
• TASS数据集许可证

致谢

特别感谢智利大学计算机科学系（DCC UChile）提供的基础西班牙文BERT模型，以及所有为训练所用数据集做出贡献的人员。