许可证：cc-by-4.0
评估指标：

• 准确率
  基础模型：
• cardiffnlp/twitter-xlm-roberta-base-sentiment-multilingual
  任务类型：文本分类
  数据集：
• AmaanP314/youtube-comment-sentiment
  标签：
• YouTube
• 评论
• 情感分析
• RoBERTa

微调版RoBERTa情感分析模型

模型概述

本模型是基于cardiffnlp/twitter-xlm-roberta-base-sentiment-multilingual的微调版本，训练数据为YouTube评论定制数据集。针对YouTube评论在语气、俚语和结构上的特殊性进行优化后，模型在测试集上达到**80.17%**的准确率。

用途

专用于YouTube评论情感分析，可返回以下三类情感标签：

• 积极
• 中立
• 消极

适用于视频推荐系统、内容分析看板等需要理解观众情感的场景。

使用方法

可通过API或Hugging Face Transformers库调用，Python示例：

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

model_name = "AmaanP314/youtube-xlm-roberta-base-sentiment-multilingual"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name)

# 示例输入
comments = [
    "这个视频像蜜一样醇香", # 积极
    "这个视频像牛奶一样变质了", # 消极
    "普普通通吧" # 中立
]

inputs = tokenizer(comments, return_tensors="pt", padding=True, truncation=True)
with torch.no_grad():
    outputs = model(**inputs)
predictions = torch.argmax(outputs.logits, dim=1)
label_mapping = {0: "消极", 1: "中立", 2: "积极"}
sentiments = [label_mapping[p.item()] for p in predictions]
print(sentiments)

训练过程

• 基础模型：cardiffnlp/twitter-xlm-roberta-base-sentiment-multilingual
• 数据集：包含100万条标注情感标签（积极/中立/消极）的YouTube评论
• 微调步骤：
  • 数据清洗与预处理
  • 模型微调
  • 评估测试

性能评估

在YouTube评论测试集上，模型准确率从基线69.3%（基于推特数据微调）提升至80.17%，验证了领域适配的有效性。

引用

若用于研究，请引用：

@misc{cardiffnlp,
  title={Twitter-XLM-RoBERTa-Base-Sentiment-Multilingual},
  author={Cardiff NLP},
  year={2020},
  publisher={Hugging Face},
  howpublished={\url{https://huggingface.co/cardiffnlp/twitter-xlm-roberta-base-sentiment-multilingual}}
}

@misc{AmaanP314,
  title={Youtube-XLM-RoBERTa-Base-Sentiment-Multilingual},
  author={Amaan Poonawala},
  year={2025},
  howpublished={\url{https://huggingface.co/AmaanP314/youtube-xlm-roberta-base-sentiment-multilingual}}
}