语言:

• 英语 标签:
• 基于方面的情感分析
• PyABSA 许可证: MIT 数据集:
• 笔记本电脑14
• 餐厅14
• 餐厅16
• ACL推特
• MAMS
• 电视
• T恤
• Yelp 评估指标:
• 准确率
• 宏观F1分数 示例输入:
• 文本: "[CLS] 当餐桌空出时，经理安排另一组客人先于我们入座。[SEP] 经理 [SEP]"

重要提示

请优先使用yangheng/deberta-v3-base-absa-v1.1，该模型体积更小且性能更优。 本模型基于3万+ ABSA样本训练，详见ABSADatasets。测试集未包含在预训练中，因此可用于常见ABSA数据集（如Laptop14、Rest14）的训练与评估（Rest15数据集除外）。

面向方面情感分析的DeBERTa模型

deberta-v3-large-absa是基于ABSADatasets英语数据集训练的方面情感分析模型。

训练架构

本模型采用FAST-LCF-BERT架构，基于microsoft/deberta-v3-large微调，源自PyABSA项目。追踪最新模型请关注PyASBA。

使用方法

from transformers import AutoTokenizer, AutoModelForSequenceClassification

tokenizer = AutoTokenizer.from_pretrained("yangheng/deberta-v3-large-absa-v1.1")
model = AutoModelForSequenceClassification.from_pretrained("yangheng/deberta-v3-large-absa-v1.1")

PyASBA应用示例

参考示例代码了解FAST-LCF-BERT在PyASBA中的使用。

训练数据

本模型通过18万条ABSA样本（含增强数据）微调，训练集包括：

加载：integrated_datasets/apc_datasets/SemEval/laptop14/Laptops_Train.xml.seg
加载：integrated_datasets/apc_datasets/SemEval/restaurant14/Restaurants_Train.xml.seg
加载：integrated_datasets/apc_datasets/SemEval/restaurant16/restaurant_train.raw
加载：integrated_datasets/apc_datasets/ACL_Twitter/acl-14-short-data/train.raw
加载：integrated_datasets/apc_datasets/MAMS/train.xml.dat
加载：integrated_datasets/apc_datasets/Television/Television_Train.xml.seg
加载：integrated_datasets/apc_datasets/TShirt/Menstshirt_Train.xml.seg
加载：integrated_datasets/apc_datasets/Yelp/yelp.train.txt

若在研究中引用本模型，请注明：

@article{YangZMT21,
  author    = {杨恒 and 曾碧青 and 徐马毅 and 王天行},
  title     = {回归现实：通过模式驱动建模实现高效情感依赖学习},
  journal   = {CoRR},
  volume    = {abs/2110.08604},
  year      = {2021},
  url       = {https://arxiv.org/abs/2110.08604},
  eprinttype= {arXiv},
  eprint    = {2110.08604},
  timestamp = {2021年10月22日},
  biburl    = {https://dblp.org/rec/journals/corr/abs-2110-08604.bib},
  bibsource = {计算机科学文献库}
}