Longformer For Financial Sentiment Analysis

🚀 SeanD103/Longformer_for_Financial_Sentiment_Analysis

该项目基于Allen AI的Longformer模型进行微调，用于金融文本的情感分析，能高效处理长文档，适用于新闻文章、财报等多种金融文本。

🚀 快速开始

本模型可用于对金融文本进行情感分类，如新闻文章、收益报告和财务报表等。借助Longformer能够高效处理长文档的能力，该模型可以处理长达4096个标记的扩展文本，非常适合较长的金融文本。

✨ 主要特性

• 基于Allen AI的Longformer模型进行微调，专门用于金融文本的情感分析。
• 能够处理长达4096个标记的长文本，适应各种金融文本场景。
• 支持对金融文本进行积极、中性、消极三种情感分类。

📦 安装指南

原文档未提及安装步骤，此处跳过。

💻 使用示例

基础用法

from transformers import AutoTokenizer, AutoModelForSequenceClassification

# Load the tokenizer and model
model_path = "SeanD103/Longformer_for_financial_sentiment_analysis"
tokenizer = AutoTokenizer.from_pretrained(model_path)
model = AutoModelForSequenceClassification.from_pretrained(model_path)

# Example input
example_text = "The company's quarterly earnings exceeded expectations, leading to a rise in stock prices."

# Tokenize and get predictions
inputs = tokenizer(example_text, return_tensors="pt", truncation=True, padding=True)
outputs = model(**inputs)
predictions = outputs.logits.argmax(-1)

# Map predictions to labels
sentiment_mapping = {0: "Negative", 1: "Neutral", 2: "Positive"}
sentiment = sentiment_mapping[predictions.item()]
print(f'Input text: {example_text} \nEstimated sentiment: {sentiment}')

📚 详细文档

模型详情

训练数据

该模型在Financial PhraseBank数据集上进行了微调，该数据集包含从金融新闻中选取的4840个句子，并标注了相关的情感。

🔧 技术细节

原文档未提供足够的技术实现细节，此处跳过。

📄 许可证

本项目采用MIT许可证。

致谢

本模型基于Allen AI开发的Longformer架构，并使用了Malo等人的Financial PhraseBank数据集进行微调。