license: mit

模型卡片：SSAF-FinBert

概述

SSAF-FinBert模型是基于FinBert模型微调而成的版本，专为股票市场新闻文章的情感分析而设计。该模型经过优化，能够将金融文本数据中表达的情感分类为三类：积极、消极和中性。

该模型在Kaggle收集的数据集上进行训练，经过预处理后，在GPU集群上使用FinBert架构进行了约5小时的微调。最终模型在不同训练平台上的准确率达到了81%至82%。

推理API标签映射如下：

Label_0 = 消极

Label_1 = 中性

Label_2 = 积极

如何访问模型

要使用SSAF-FinBert模型进行情感分析，可以使用以下Python代码：

from transformers import AutoModelForSequenceClassification, AutoTokenizer
import torch

# 加载微调时使用的分词器
tokenizer = AutoTokenizer.from_pretrained('yiyanghkust/finbert-pretrain')

# 加载微调后的模型
model_path = "likith123/SSAF-FinBert"
model = AutoModelForSequenceClassification.from_pretrained(model_path)

# 定义情感预测函数
def predict_sentiment(input_text):
    # 对输入文本进行分词
    inputs = tokenizer(input_text, return_tensors="pt", truncation=True, padding=True, max_length=512)

    # 执行推理
    with torch.no_grad():
        outputs = model(**inputs)

    # 获取每个类别的预测概率
    predicted_probs = torch.softmax(outputs.logits, dim=1).squeeze().tolist()

    return predicted_probs

这段代码加载了预训练的分词器和微调后的SSAF-FinBert模型。之后，您可以使用predict_sentiment函数分析金融文本数据的情感。

如何使用模型

要使用SSAF-FinBert模型进行情感分析，可以调用predict_sentiment函数，并将您的金融文本数据作为输入。该函数将返回每个情感类别（积极、消极和中性）的预测概率。

# 示例用法
text_data = "这是一篇关于股票市场的积极新闻文章。"
predicted_sentiment = predict_sentiment(text_data)
print(predicted_sentiment)

predicted_sentiment变量将包含一个概率列表，对应于每个情感类别，从而允许您分析输入文本中表达的情感。

实际微调过程

访问微调代码：Kaggle Notebook。 访问Web应用：StreamLit APP。

性能与局限性

SSAF-FinBert模型在金融文本数据的情感分析任务中表现出色。然而，需要注意的是，模型的准确率可能会因输入文本的性质和复杂性而有所不同。

尽管该模型在分类金融新闻文章的情感方面表现优异，但在其他领域或高度专业化的金融术语中可能表现不佳。

致谢

SSAF-FinBert模型的开发得益于开源社区的贡献和Hugging Face提供的资源。我们向为自然语言处理任务中基于Transformer的模型开发和改进做出贡献的开发者和研究人员表示衷心的感谢。

有关SSAF-FinBert模型的更多信息和更新，请参阅模型卡片。