许可证: mit 数据集:

• sepidmnorozy/Indonesian_sentiment 语言:
• id 基础模型:
• google-bert/bert-base-uncased 管道标签: 文本分类

该存储库包含一个经过微调的BERT模型，用于情感分析。该模型经过训练，可以将文本分类为两种情感类别：0（负面）和1（正面）。以下是模型性能和训练细节的摘要。

模型性能摘要

模型在评估数据集上取得了以下性能指标：

准确率: 0.91

训练细节

使用方法

1. 安装依赖

确保已安装必要的库：

pip install transformers torch

2. 加载模型

可以使用transformers库加载微调后的BERT模型：

from transformers import BertForSequenceClassification, BertTokenizer
# 加载微调后的模型和分词器
model = BertForSequenceClassification.from_pretrained("模型路径")
tokenizer = BertTokenizer.from_pretrained("分词器路径")

3. 预处理和预测

预处理输入文本并进行预测：

from transformers import BertTokenizer, BertForSequenceClassification
import torch

# 加载保存的模型和分词器
model_path = 'bibrani/bert-sentiment-analisis-indo'
tokenizer = BertTokenizer.from_pretrained(model_path)
model = BertForSequenceClassification.from_pretrained(model_path)

# 设置设备
device = torch.device("cuda" if torch.cuda.is_available() else "cpu")
model.to(device)
print(device)

def predict_sentiment(text):
    """预测给定文本的情感。

    参数:
        text (str): 输入文本。

    返回:
        str: "负面情感" 或 "正面情感"。
    """
    # 对输入文本进行分词
    inputs = tokenizer(text, padding="max_length", truncation=True, max_length=512, return_tensors="pt")

    # 将输入移至设备
    input_ids = inputs.input_ids.to(device)
    attention_mask = inputs.attention_mask.to(device)

    # 执行推理
    with torch.no_grad():
        outputs = model(input_ids, attention_mask=attention_mask)
        logits = outputs.logits

    # 获取预测类别
    predicted_class = torch.argmax(logits, dim=1).item()

    if predicted_class == 0:
        return "负面情感", inputs
    else:
        return "正面情感", inputs

# 示例用法
text_to_predict = "jadi cerita nya saya sedang ingin makan spaghetti dengan meatball yang kalau menurut ekspektasi saya adalah bakso yang terbuat dari cingcang yang biasa digunakan di menu pasta , setelah sampai , ternyata bakso yang digunakan adalah bakso olahan yang biasa dipakai di tukang bakso , bahkan bentuk nya tidak bulat"
sentiment = predict_sentiment(text_to_predict)
print(f"文本: {text_to_predict}")
print(f"情感: {sentiment}")

结果解释

类别 0: 表示负面情感。
类别 1: 表示正面情感。

模型在两个类别上均表现出色，其中正面情感（类别1）的精确率和召回率略高。