许可证: mit 数据集:

• stanfordnlp/imdb 语言:
• en 评估指标:
• accuracy 基础模型:
• google-bert/bert-base-uncased 管道标签: text-classification 库名称: transformers 标签:
• code
• sentiment-analysis
• bert
• imdb
• text-classification
• nlp

BERT IMDb情感分析模型

该仓库包含一个针对IMDb电影评论进行微调的BERT情感分析模型。该模型可将文本分类为正面或负面情感。

在线演示: https://huggingface.co/spaces/philipobiorah/bert-sentiment-analysis

模型详情

• 基础模型: bert-base-uncased
• 数据集: IMDb电影评论
• 任务: 情感分析（二元分类）
• 微调数据集: IMDb数据集
• 标签:
  • 0: 负面
  • 1: 正面

使用方法

在Python中加载模型

from transformers import BertTokenizer, BertForSequenceClassification
import torch

model_name = "philipobiorah/bert-imdb-model"

# 加载分词器和模型
tokenizer = BertTokenizer.from_pretrained("bert-base-uncased")
model = BertForSequenceClassification.from_pretrained(model_name)

# 定义带置信度分数的情感预测函数
def predict_sentiment(text):
    inputs = tokenizer(text, return_tensors="pt", truncation=True, padding=True, max_length=512)
    
    with torch.no_grad():
        logits = model(**inputs).logits
    
    # 将逻辑值转换为概率
    probabilities = torch.nn.functional.softmax(logits, dim=1)[0]
    
    # 获取预测类别（0=负面，1=正面）
    sentiment_idx = probabilities.argmax().item()
    confidence = probabilities[sentiment_idx].item() * 100  # 转换为百分比
    
    sentiment_label = "Positive" if sentiment_idx == 1 else "Negative"
    
    return {"sentiment": sentiment_label, "confidence": round(confidence, 2)}

# 测试模型
result1 = predict_sentiment("这部电影太棒了！")
result2 = predict_sentiment("我真的很不喜欢这部电影，太糟糕了。")

print(f"情感: {result1['sentiment']}, 置信度: {result1['confidence']}%")
print(f"情感: {result2['sentiment']}, 置信度: {result2['confidence']}%")