library_name: transformers language: zh tags:

• 情绪检测
• 序列分类 license: apache-2.0 widget:
• text: "我们昨天去了爬山，走了很多路。" example_title: "中性"
• text: "这本书很一般，没有特别好的地方。" example_title: "弱情绪"
• text: "我非常喜欢这个产品，强烈推荐！" example_title: "强情绪"

BERT情绪强度检测模型

该模型基于BERT架构微调而成，专门用于检测中文文本中的强情绪与弱情绪表达。

模型说明

本模型以bert-base-chinese为基础，通过序列分类任务微调，设置两个情绪标签：弱情绪(0)和强情绪(1)。训练数据来自中国社交平台豆瓣约12.5万条评论，模型在1万条保留测试集上达到87.9%准确率。训练文本均为200字以上长评：1星或5星评论标记为"强情绪"，3星评论标记为"弱情绪"。

使用方式

通过Transformers库调用本模型的示例代码：

from transformers import BertTokenizer, BertForSequenceClassification
import torch

model_name = "qhchina/BERT-EmotionIntensity-0.1"
tokenizer = BertTokenizer.from_pretrained(model_name)
model = BertForSequenceClassification.from_pretrained(model_name)

sentence = "到达华侨居住的地区，疯狂地捣毁华侨的商店，洗劫华侨的财物，野蛮地殴打华侨，破坏华侨的车辆和看到的一切东西。他们对华侨大抢、大烧、大杀。种种暴行，简直同当年希特勒法西斯匪徒对待犹太人，和今天南非种族主义者对待非洲人，一模一样。"

inputs = tokenizer(sentence, return_tensors="pt")

outputs = model(**inputs)
logits = outputs.logits

# 计算"强情绪"类别的概率
probability_strong_emotion = torch.nn.functional.softmax(logits, dim=-1)[0][1].item()

print(f"文本内容: {sentence}")
print(f"强情绪概率: {probability_strong_emotion}")