库名称：transformers
许可证：mit
基础模型：dbmdz/bert-base-turkish-cased
标签：

• 训练生成
• 情感分析
• 土耳其语
  评估指标：
• 准确率
• 精确率
• 召回率
• F1值
  模型索引：
• 名称：turkish-sentiment
  结果：[]
  数据集：
• winvoker/turkish-sentiment-analysis-dataset
  语言：
• tr

土耳其语情感分析模型

此模型是基于dbmdz/bert-base-turkish-cased在winvoker/turkish-sentiment-analysis-dataset数据集上微调的版本。
在评估集上达到以下结果：

• 损失：0.0880
• 准确率：0.9688
• F1宏平均：0.9454
• F1加权平均：0.9685
• 精确率：0.9683
• 召回率：0.9688

模型描述

基于BERT架构（dbmdz土耳其语BERT）的模型，在大型土耳其语情感分析数据集上微调。该模型将土耳其语文本分类为三种情感类别：负面（Negative）、中性（Notr）和正面（Positive）。

• 模型类型：BertForSequenceClassification
• 基础模型：dbmdz/bert-base-turkish-cased
• 支持语言：土耳其语

用途与限制

• 适用于土耳其语文本情感分析分类任务
• 适用于社交媒体数据、产品评论或通用土耳其语情感检测

使用示例

# 使用pipeline高级接口  
from transformers import pipeline  

pipe = pipeline("text-classification", model="kaixkhazaki/turkish-sentiment")  

pipe("Kargo geç geldi ve ürün beklentimi pek karşılamadı.")  
>> [{'label': 'Negative', 'score': 0.984860897064209}]  

pipe("Yemek lezzetliydi ancak servis yavaş ve çalışanlar ilgisizdi, pek anlayamadım nasıl hissettiğimi.")  
>> [{'label': 'Notr', 'score': 0.9881975054740906}]  

pipe("Gerçekten müthiş bir deneyimdi, keşke hep burda kalabilsem.")  
>> [{'label': 'Positive', 'score': 0.9942901134490967}]  

训练与评估数据

在包含440,679个训练样本和48,965个验证样本的组合数据集上微调。

训练过程

使用单GPU在完整数据集上训练约25分钟（1600步）。

训练超参数

训练期间使用的超参数：

• 学习率：3e-05
• 训练批大小：64
• 评估批大小：128
• 随机种子：42
• 优化器：使用adamw_torch，参数为betas=(0.9,0.999)，epsilon=1e-08
• 学习率调度器类型：cosine
• 学习率预热步数：400
• 总训练步数：1600

训练结果

框架版本

• Transformers 4.48.0.dev0
• Pytorch 2.4.1+cu121
• Datasets 3.1.0
• Tokenizers 0.21.0

引用

@misc{turkish-sentiment,  
  title={Turkish Sentiment Analysis using Turkish BERT},  
  author={Fatih Demrici},  
  year={2025},  
  howpublished={\url{https://huggingface.co/kaixkhazaki/turkish-sentiment}},  
}