语言: 英语
许可证: MIT
标签:

• 购物
• 优惠
• 分类
• 电子商务
• 推荐
  数据集:
• 自定义
  评估指标:
• 准确率
• 精确率
• 召回率
• F1值
  小部件示例:
• 文本: "我想买耳机"
  示例标题: "电子产品搜索"
• 文本: "有厨房电器优惠吗？"
  示例标题: "厨房优惠"
• 文本: "给我看看最好的笔记本电脑优惠"
  示例标题: "笔记本电脑优惠"
• 文本: "我需要一台新智能电视"
  示例标题: "智能电视搜索"
  库名称: transformers

购物助手模型

该模型经过训练，可将购物优惠分类。它可以根据用户的查询提供更好的推荐。

模型描述

该模型基于DistilBERT，并在购物优惠数据集上进行了微调。它能够将优惠分类为以下类别：
电子产品、服装、家居、厨房、玩具、其他

预期用途与限制

该模型旨在用于分类购物优惠并向用户提供推荐。不适用于其他用途。

训练数据

模型在来自DealsFinders.com的购物优惠数据集上训练。数据集根据优惠标题和描述中的关键词自动标记。

训练过程

模型使用Hugging Face Transformers库进行训练。采用多标签分类方法在优惠数据集上进行微调。

评估结果

模型在保留的验证集上进行评估。评估指标包括准确率、精确率、召回率和F1值。

使用方法

from transformers import AutoTokenizer, AutoModelForSequenceClassification  
import torch  

# 加载模型和分词器  
tokenizer = AutoTokenizer.from_pretrained("selvaonline/shopping-assistant")  
model = AutoModelForSequenceClassification.from_pretrained("selvaonline/shopping-assistant")  

# 准备输入  
text = "我想买耳机"  
inputs = tokenizer(text, return_tensors="pt", truncation=True, padding=True)  

# 获取模型预测  
with torch.no_grad():  
    outputs = model(**inputs)  
    predictions = torch.sigmoid(outputs.logits)  

# 加载类别  
categories = ["电子产品", "服装", "家居", "厨房", "玩具", "其他"]  

# 获取最高分类  
top_categories = []  
for i, score in enumerate(predictions[0]):  
    if score > 0.5:  # 多标签分类阈值  
        top_categories.append((categories[i], score.item()))  

# 按分数排序  
top_categories.sort(key=lambda x: x[1], reverse=True)  

# 打印结果  
for category, score in top_categories:  
    print(f"{category}: {score:.4f}")