language:

• de tags:
• 情感分类
• roberta
• 微调模型
• 德语

license: mit datasets:

• 自定义数据集

model-index:

• name: 德语情感分类微调RoBERTa模型 results:
  • task: type: 文本分类 name: 德语情感分类 dataset: name: 德语自定义数据集 type: 文本 metrics:
    • name: 宏平均精确率 type: 精确率 value: 0.85
    • name: 宏平均召回率 type: 召回率 value: 0.85
    • name: 宏平均F1分数 type: f1分数 value: 0.85
    • name: 准确率 type: 准确率 value: 0.81

德语情感分类微调RoBERTa模型

模型描述

本模型名为Emotion_RoBERTa_german6_v7，是基于RoBERTa模型微调而成，专门用于德语文本的情感分类任务。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、快乐及无上述情绪）。

使用场景

本模型适用于德语文本的情感分类，可应用于情感分析、社交媒体监测、客户反馈分析等场景。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

整体表现

• 准确率: 0.81
• 宏平均精确率: 0.85
• 宏平均召回率: 0.85
• 宏平均F1分数: 0.85

分类表现

模型在恐惧、厌恶和快乐类别上表现优异，具有极高的精确率、召回率和F1分数。在识别愤怒和无上述情绪类别时表现中等，显示存在改进空间。

局限性

• 语境敏感性: 对于需要深层语境理解的情感识别可能存在困难
• 类别不平衡: 在"无上述情绪"类别上的表现表明，使用更平衡的数据集进行训练可提升准确率
• 泛化能力: 模型性能可能因文本领域、语言风格和长度的不同而有所变化，特别是在跨语言场景中

训练数据

模型基于包含六种情感标签的自定义德语数据集进行微调。训练过程中考虑了数据集的分布以确保各类别的平衡表现。

使用方法

可通过Hugging Face的transformers库直接使用本模型。以下是加载和使用模型的示例代码：

from transformers import pipeline

# 加载微调模型
classifier = pipeline("text-classification", model="visegradmedia-emotion/Emotion_RoBERTa_german6_v7")

# 使用示例
result = classifier("Heute fühle ich mich sehr glücklich!")
print(result)