许可证：Apache-2.0
语言：

• 中文

验证集准确率：0.9382193411826961
验证集分类报告：
精确率 召回率 F1值 支持数

负面       0.93      0.95      0.94      3785  
正面       0.95      0.96      0.95      6919  
中性       0.93      0.89      0.91      4414  

准确率                        0.94     15118  

宏平均 0.94 0.93 0.93 15118
加权平均 0.94 0.94 0.94 15118

基于约10万+数据构建的基金领域中文情感分析模型，初步测试效果良好。其中负面文本经过专人处理，中性文本可能存在偏差。

返回值说明：

0: '负面', 1: '正面', 2: '中性'

测试代码示例：

import sys  
import re  
import torch  
from transformers import BertTokenizer, BertForSequenceClassification  
from torch.nn.functional import softmax  

# 设置运算设备  
device = 'cuda' if torch.cuda.is_available() else 'cpu'  

# 加载预训练模型和分词器  
model = BertForSequenceClassification.from_pretrained('sanshizhang/Chinese-Sentiment-Analysis-Fund-Direction')  
tokenizer = BertTokenizer.from_pretrained('sanshizhang/Chinese-Sentiment-Analysis-Fund-Direction')  

# 将模型部署到设备  
model = model.to(device)  
model.eval()  # 设置为评估模式  

def predict_sentiment(text):  
    # 文本编码处理  
    encoding = tokenizer.encode_plus(  
        text,  
        max_length=512,  
        add_special_tokens=True,  
        return_token_type_ids=False,  
        padding='max_length',  
        return_attention_mask=True,  
        return_tensors='pt',  
        truncation=True  
    )  

    # 获取编码数据  
    input_ids = encoding['input_ids'].to(device)  
    attention_mask = encoding['attention_mask'].to(device)  

    # 禁用梯度计算  
    with torch.no_grad():  
        outputs = model(input_ids=input_ids, attention_mask=attention_mask)  

    # 通过softmax转换概率  
    probs = softmax(outputs.logits, dim=1)  

    return probs, torch.argmax(probs, dim=1).cpu().numpy()[0]  

# 处理命令行输入的文本  
arguments = sys.argv[1:]  
text = ' '.join(arguments)  
text = re.sub(r"[^\u4e00-\u9fff\d.a-zA-Z%+\-。！？，、；：（）【】《》“”‘’]", '', text)  

# 执行预测  
probabilities, prediction = predict_sentiment(text)  

sentiment_labels = {0: '负面', 1: '正面', 2: '中性'}  

# 输出预测结果  
predicted_sentiment = sentiment_labels[prediction]  
print(f"预测情感: {predicted_sentiment}, 置信度:{probabilities[0][prediction].item()}")