语言:

• 英文 指标:
• 准确率 标签:
• bert
• 情感分析
• 情绪识别
• 感受分类
• 标签分类 许可证: mit

模型描述

"bert-43-multilabel-emotion-detection"模型是基于"bert-base-uncased"微调而成的多标签情感分类模型，能够将英文文本按情感内容划分为43个类别。该模型综合使用了tweet_emotions、GoEmotions以及合成数据进行训练，总训练数据约27.1万条，每个标签平均约6306条样本。

使用场景

本模型适用于需要理解或分类英文文本情感内容的各种应用场景，包括但不限于：

• 情感分析
• 社交媒体舆情监测
• 客户反馈分析

训练数据

训练数据包含以下数据集：

• Tweet Emotions（推特情感数据集）
• GoEmotions（谷歌情感数据集）
• 合成数据

训练过程

模型在Google Colab V100 GPU（16GB显存）上训练了20个epoch，耗时约6小时。训练参数配置如下：

from transformers import TrainingArguments

training_args = TrainingArguments(
    output_dir='results',          # 输出目录
    optim="adamw_torch",           # 优化器
    learning_rate=2e-5,            # 学习率
    num_train_epochs=20,           # 训练轮次
    per_device_train_batch_size=128, # 训练批次大小
    per_device_eval_batch_size=128,  # 评估批次大小
    warmup_steps=500,              # 学习率预热步数
    weight_decay=0.01,             # 权重衰减系数
    logging_dir='./logs',          # 日志目录
    logging_steps=100,             # 日志记录间隔
)

性能表现

在验证集上取得以下指标：

• 准确率：92.02%
• 加权F1值：91.93%
• 加权精确率：91.88%
• 加权召回率：92.02%

各标签详细性能指标见下表。

标签映射表

准确率报告

使用方法

from transformers import pipeline

# 加载预训练模型和分词器
model = 'borisn70/bert-43-multilabel-emotion-detection'
tokenizer = 'borisn70/bert-43-multilabel-emotion-detection'

# 创建情感分析管道
nlp = pipeline('sentiment-analysis', model=model, tokenizer=tokenizer)

# 测试样例
result = nlp("我对这件事感觉棒极了！")

# 输出结果
print(result)

局限性

• 模型在不同情感类别上的表现存在差异，特别是训练数据较少的类别
• 需注意训练数据中可能存在的偏见会影响预测结果

联系方式

如有任何疑问、反馈或问题报告，欢迎通过以下方式联系：

• 邮箱: borisn70@gmail.com
• 领英: Boris Atayan