语言: ti 部件:

• 文本: "歌手Abraham Afewerki永远活在我们心中" 指标:
• f1值
• 精确率
• 召回率
• 准确率 模型索引:
• 名称: tielectra-small-sentiment 结果:
  • 任务: 名称: 文本分类 类型: text-classification 指标:
    • 名称: F1值 类型: f1 数值: 0.8228962818003914
    • 名称: 精确率 类型: precision 数值: 0.8055555555555556
    • 名称: 召回率 类型: recall 数值: 0.841
    • 名称: 准确率 类型: accuracy 数值: 0.819

基于TiELECTRA小模型的提格里尼亚语情感分析

本模型是在提格里尼亚语YouTube评论情感分析数据集（Tela等人，2020年）上对TiELECTRA小模型进行微调的版本。

基础用法

from transformers import pipeline

ti_sent = pipeline("sentiment-analysis", model="fgaim/tielectra-small-sentiment")
ti_sent("歌手Abraham Afewerki永远活在我们心中")

训练过程

超参数设置

训练过程中采用以下超参数配置：

• 学习率: 2e-05
• 训练批大小: 32
• 评估批大小: 32
• 随机种子: 42
• 优化器: 采用betas=(0.9,0.999)和epsilon=1e-08的Adam优化器
• 学习率调度器类型: 线性
• 训练轮数: 3.0

评估结果

模型在验证集上取得如下表现：

• F1值: 0.8229
• 精确率: 0.8056
• 召回率: 0.841
• 准确率: 0.819
• 损失值: 0.4299

框架版本

• Transformers 4.10.3
• Pytorch 1.9.0+cu111
• Datasets 1.10.2
• Tokenizers 0.10.1

引用声明

如在产品或研究中使用本模型，请按以下格式引用：

@article{Fitsum2021TiPLMs,
  作者={Fitsum Gaim 和 Wonsuk Yang 及 Jong C. Park},
  标题={提格里尼亚语的单语预训练语言模型},
  年份=2021,
  出版方= {WiNLP 2021/EMNLP 2021}
}

参考文献

Tela, A., Woubie, A. 和 Hautamäki, V. 2020.
向低资源语言迁移单语模型：以提格里尼亚语为例.
ArXiv, abs/2006.07698.