language: zh tags:

• 文本分类
• pytorch
• roberta
• 情感分析
• 多类别分类
• 多标签分类 datasets:
• go_emotions license: mit widget:
• text: 我今天过得不怎么样

模型概述

本模型基于roberta-base在go_emotions数据集上训练完成，用于多标签分类任务。

提供ONNX格式版本

该模型的ONNX格式版本（包含INT8量化版本）现已发布于https://huggingface.co/SamLowe/roberta-base-go_emotions-onnx。该版本推理速度更快（尤其对小批量数据），大幅减少推理所需的依赖项体积，提升模型跨平台兼容性。量化版本在保持精度的前提下，模型文件体积缩减75%，特别适合仅需推理的场景。

模型训练数据集

go_emotions数据集源自Reddit数据，包含28种情感标签。作为多标签数据集，单个文本可能对应多个标签，因此本模型输出28个概率值，通常以0.5为阈值进行二值化预测。

模型训练方法

使用AutoModelForSequenceClassification.from_pretrained方法，设置problem_type="multi_label_classification"，训练3个epoch，学习率2e-5，权重衰减0.01。

推理使用

可通过多种方式调用该模型，最简单的方式是使用pipeline：

from transformers import pipeline

classifier = pipeline(task="text-classification", model="SamLowe/roberta-base-go_emotions", top_k=None)

sentences = ["我今天过得不怎么样"]

model_outputs = classifier(sentences)
print(model_outputs[0])
# 输出每个标签的概率字典列表

评估指标

完整评估过程详见：

• https://github.com/samlowe/go_emotions-dataset/blob/main/eval-roberta-base-go_emotions.ipynb

评估摘要

在测试集上采用0.5阈值进行二值化评估，整体指标为：

• 准确率：0.474
• 精确率：0.575
• 召回率：0.396
• F1值：0.450

由于多标签特性及数据不均衡，各标签指标差异显著（完整指标见下表）：

通过优化各标签阈值（以F1最大化为目标），整体指标提升为：

• 精确率：0.542 → 0.572（加权）
• 召回率：0.577 → 0.677（加权）
• F1值：0.541 → 0.611（加权）

数据集分析

部分标签（如感恩）F1值超过0.9，而其他标签（如解脱）表现欠佳。这既与训练样本量相关（如解脱标签训练样本不足100条），也与数据标注质量有关。清洗标注错误/模糊/冲突的数据可进一步提升模型性能。