许可证: cc0-1.0 语言:

• 英语 评估指标:
• 准确率: 0.939432
• 召回率: 0.937164
• 精确率: 0.92822
• F1值: 0.92822 标签:
• 分类
• 自杀倾向
• 自杀文本检测
• 自杀情绪
• 情绪分析
• 自杀
• 自残
• 抑郁 管道标签: 文本分类

高级自杀倾向分类模型

简介

欢迎使用自杀倾向检测AI模型！本项目旨在提供一种机器学习解决方案，用于检测文本中暗示自杀倾向的词汇序列。通过采用ELECTRA架构并在多样化数据集上进行微调，我们创建了一个强大的分类模型，能够区分具有自杀倾向和非自杀倾向的文本表达。

标签说明

模型将输入文本分为两类标签：

• LABEL_0: 表示文本无自杀倾向
• LABEL_1: 表示文本具有自杀倾向特征

训练过程

本模型基于ELECTRA架构，在精心筛选的数据集上进行微调训练。训练过程包含对多源文本数据的清洗与预处理，最终构建出综合性训练集。训练结果显示模型具有优异性能，主要指标包括：

性能表现

模型在验证数据集上的表现如下：

• 准确率: 0.939432
• 召回率: 0.937164
• 精确率: 0.92822
• F1值: 0.932672

这些指标证明模型能准确区分具有自杀倾向的文本内容。

数据来源

我们整合了多源数据构建丰富多样的训练集：

• Reddit匿名自杀倾向标注数据集
• Reddit多任务NLP数据集
• 自杀相关短语数据集
• 推特自杀意图数据集
• 自杀遗书数据集
• 推特自杀意念数据集

所有数据在投入训练前均经过严格清洗和预处理。

使用指南

安装说明

使用前需安装Transformers库：

pip install transformers

模型调用

可通过以下方式使用模型进行文本分类：

1. 使用管道方式：

from transformers import pipeline
classifier = pipeline("sentiment-analysis", model="sentinetyd/suicidality")
result = classifier("待分类文本")
print(result)

2. 编程式调用：

from transformers import AutoTokenizer, AutoModel
tokenizer = AutoTokenizer.from_pretrained("sentinetyd/suicidality")
model = AutoModel.from_pretrained("sentinetyd/suicidality")
# 使用分词器和模型进行预测

伦理声明

自杀倾向是敏感且严肃的议题。使用本模型时需保持审慎态度，充分考虑伦理影响。模型预测结果应谨慎处理，仅作为人工判断和干预的辅助参考。

模型致谢

特别鸣谢Hugging Face模型库中的"gooohjy/suicidal-electra"基础模型（链接）。我们以此模型为起点进行微调，最终开发出本专项检测模型。

贡献说明

诚邀社区参与贡献，共同提升模型性能、完善数据集，并确保其负责任的应用部署。