许可证: mit 数据集:

• Yelp/yelp_review_full 语言:
• en 评估指标:
• accuracy 基础模型:
• distilbert/distilbert-base-uncased 管道标签: text-classification 库名称: transformers 标签:
• sentiment-analysis

产品评论情感分析器

该模型将产品评论分类为正面、负面或中性。它基于DistilBERT基础模型，在IMDB数据集上进行了微调。

使用方法

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

tokenizer = AutoTokenizer.from_pretrained("yourusername/product-review-sentiment-analyzer")
model = AutoModelForSequenceClassification.from_pretrained("arpitk/product-review-sentiment-analyzer")

text = "这个产品超出了我的预期！"
inputs = tokenizer(text, return_tensors="pt")

with torch.no_grad():
    outputs = model(**inputs)
    
probabilities = torch.nn.functional.softmax(outputs.logits, dim=-1)
prediction = torch.argmax(probabilities, dim=-1).item()

labels = ["负面", "正面", "中性"]  # 根据模型输出顺序调整
print(f"情感倾向: {labels[prediction]}")

本项目演示了如何利用免费资源构建和部署产品评论情感分析模型。

项目概览

• 基于Yelp产品评论微调DistilBERT模型
• 将评论分类为正面/负面/中性
• 在评估数据集上达到XX%准确率

在线演示

体验模型效果: Hugging Face Space

使用技术

• Google Colab（免费GPU）
• Hugging Face Transformers
• PyTorch
• Gradio网页界面

项目结构

• notebooks/: 包含模型开发的Jupyter笔记本
• app/: 包含部署用的Gradio应用
• src/: 包含数据处理和模型训练的源代码

使用指南

1. 克隆本仓库
2. 运行笔记本训练自定义模型
3. 或直接使用预训练模型: arpitk/product-review-sentiment-analyzer

效果展示

模型在测试集上达到90%准确率。示例预测：

• "这个产品超出了我的预期！" → 正面 (0.95)
• "使用两天就坏了" → 负面 (0.89)
• "产品还行，但有点贵" → 中性 (0.78)