许可证：Apache-2.0
任务标签：文本分类
支持语言：

• 英语
  示例输入：
• 文本：两周前向你们下单，现在还没收到。
• 文本：我需要带女儿来做体检。

模型卡片：用户意图分类微调版DistilBERT

模型描述

微调版DistilBERT是基于BERT transformer模型的轻量化版本，在保持高精度的同时提升了运行效率。该模型专为文本数据中的用户意图分类任务进行了适配与微调。

基础模型"distilbert-base-uncased"经过海量文本数据预训练，能精准捕捉自然语言中的语义细节和上下文信息。针对用户意图分类任务，我们精心调整了批量大小和学习率等超参数以确保最优性能：

• 采用批量大小8实现高效计算
• 选择2e-5学习率平衡收敛速度与优化稳定性
• 在5万条数据的小规模数据集上训练100轮次

训练数据包含标注不同用户意图（如"信息查询"、"问题咨询"、"意见表达"）的多样化文本样本，来源经过严格筛选。通过系统训练，模型已具备精准识别用户意图的能力，可广泛应用于交互分析与个性化服务场景。

使用范围与限制

适用场景

• 用户意图识别：适用于聊天机器人、虚拟助手、推荐系统等需要理解用户意图的应用

调用方式

from transformers import pipeline

classifier = pipeline("text-classification", model="Falconsai/intent_classification")
text = "待分类文本"
result = classifier(text)

使用限制

• 专业领域适配：虽然本模型擅长意图分类，但应用于其他NLP任务时效果可能参差，建议使用对应任务的微调版本

训练数据

使用专有意图分类数据集训练，包含多类别标注文本样本：

训练指标

• 评估损失：0.0117
• 评估准确率：99.87%
• 评估速度：1726样本/秒
• 硬件效率：215步/秒

伦理使用

实际部署时需遵循内容准则与相关法规，特别在涉及敏感内容的场景中应确保合规使用。

参考文献

• Hugging Face模型库
• DistilBERT论文

免责声明：模型性能受训练数据质量影响，建议用户根据具体场景评估适用性。