语言:

• 阿拉伯语 许可证: Apache-2.0 示例输入:
• 文本: "我很好"

CAMeLBERT混合情感分析模型

模型描述

CAMeLBERT混合情感分析模型是通过对CAMeLBERT混合模型进行微调构建的情感分析(SA)模型。微调过程中使用了ASTD、ArSAS和SemEval数据集。完整的微调流程和超参数设置可参阅我们的论文《阿拉伯语预训练语言模型中变体、规模与任务类型的交互影响》，微调代码已开源在GitHub仓库。

使用场景

本模型可直接集成于CAMeL工具集的情感分析组件（推荐），或通过transformers管道调用。

使用方法

通过CAMeL工具集调用：

>>> from camel_tools.sentiment import SentimentAnalyzer
>>> sa = SentimentAnalyzer("CAMeL-Lab/bert-base-arabic-camelbert-mix-sentiment")
>>> sentences = ['我很好', '我不好']
>>> sa.predict(sentences)
>>> ['积极', '消极']

通过transformers管道调用：

>>> from transformers import pipeline
>>> sa = pipeline('sentiment-analysis', model='CAMeL-Lab/bert-base-arabic-camelbert-mix-sentiment')
>>> sentences = ['我很好', '我不好']
>>> sa(sentences)
[{'label': '积极', 'score': 0.9616648554801941},
 {'label': '消极', 'score': 0.9779177904129028}]

注意：需使用transformers>=3.5.0版本，或手动下载模型文件。

文献引用

@inproceedings{inoue-etal-2021-interplay,
    title = "阿拉伯语预训练语言模型中变体、规模与任务类型的交互影响",
    author = "井上刚, Alhafni, Bashar, Baimukan, Nurpeiis, Bouamor, Houda, Habash, Nizar",
    booktitle = "第六届阿拉伯自然语言处理研讨会论文集",
    month = "4月",
    year = "2021",
    address = "乌克兰基辅(线上)",
    publisher = "计算语言学协会",
    abstract = "本文系统研究了语言变体、数据规模和微调任务类型对阿拉伯语预训练语言模型的影响。我们构建了涵盖现代标准阿拉伯语、方言阿拉伯语和古典阿拉伯语的三类预训练模型，以及三者混合的第四类模型。通过在现代标准阿拉伯语变体上构建不同规模的预训练模型，我们比较了12个数据集上的五大类NLP任务表现。结果表明：微调数据与预训练数据的变体相似度比预训练数据规模更重要，这一发现为任务优化选择提供了重要依据。",
}