语言:

• 匈牙利语
• 斯洛伐克语
• 波兰语
• 捷克语

标签:

• 情感分类
• RoBERTa
• 微调模型
• 多语言

许可证: MIT 数据集:

• 自定义

模型索引:

• 名称: 多语言微调RoBERTa情感分类模型 结果:
  • 任务: 类型: 文本分类 名称: 多语言情感分类 数据集: 名称: 多语言自定义数据集（匈牙利语、斯洛伐克语、波兰语、捷克语） 类型: 文本 指标:
    • 名称: 精确率（宏观平均） 类型: 精确率 值: 0.86
    • 名称: 召回率（宏观平均） 类型: 召回率 值: 0.86
    • 名称: F1分数（宏观平均） 类型: f1 值: 0.86
    • 名称: 准确率 类型: 准确率 值: 0.84

多语言微调RoBERTa情感分类模型

模型描述

本模型是基于RoBERTa的多语言微调版本，专门针对匈牙利语、斯洛伐克语、波兰语和捷克语的情感分类任务进行优化。该模型训练用于将文本数据分类为六种情感类别（愤怒、恐惧、厌恶、悲伤、喜悦和无上述情绪）。

使用目的

本模型旨在对匈牙利语、斯洛伐克语、波兰语和捷克语等多语言文本数据进行情感分类。适用于情感分析、社交媒体监控、客户反馈分析等应用场景。模型能够预测给定文本在六个预定义类别中的主导情感。

性能指标

整体性能

• 准确率: 0.84
• 宏观平均精确率: 0.86
• 宏观平均召回率: 0.86
• 宏观平均F1分数: 0.86

分类性能

模型在不同情感类别上表现出色，尤其在恐惧、厌恶和喜悦类别上具有极高的精确率、召回率和F1分数。在愤怒和无上述情绪类别上表现中等，但仍保持足够的准确性。

局限性

• 上下文敏感性: 模型可能难以识别需要更深层次上下文理解的情感。
• 类别不平衡: 模型在"无上述情绪"类别上的表现表明，通过更平衡的数据集进行训练可能提升准确率。
• 泛化能力: 模型性能可能因文本领域、语言风格和长度而异，特别是在不同语言之间。

使用方法

您可以直接使用Hugging Face的transformers库加载和使用本模型。以下是示例代码：

from transformers import pipeline

# 加载微调模型
classifier = pipeline("text-classification", model="visegradmedia-emotion/Emotion_RoBERTa_pooled_V4")

# 示例使用
result = classifier("Nagyon örömtelinek érzem magam ma!")
print(result)