Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Базовая модель: distilbert-base-uncased
Опубликована: 7 ноя 2023

Ссылки

Hugging Face

news_sentiment_sentence_v1

Harvinder6766

Классификация текстаТекст → label4 профессии

Дообученная DistilBERT-модель для классификации тональности новостных предложений.

215скачиваний за 30 дней0лайковвеса обновлены7 ноя 2023

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Harvinder6766/news_sentiment_sentence_v1 — модель классификации текста на основе DistilBERT, дообученная для анализа тональности новостных предложений. Она принимает текст и относит его к классам тональности; размер контекста составляет 512 токенов. Модель сохранена в формате Safetensors и распространяется по лицензии Apache-2.0.

На указанной в карточке оценочной выборке модель достигла accuracy 0,7785 и loss 0,5339. Датасет, состав классов, языки и подробные сценарии применения в карточке не раскрыты, поэтому эти результаты не позволяют судить о качестве на других данных.

Сценарии применения

Определение тональности отдельного предложения из новости
Автоматическая разметка предложений в новостном архиве
Первичная фильтрация новостных текстов по тональности

Ограничения

Датасет обучения, языки и метки классов не описаны. Accuracy 0,7785 приведена только для оценочной выборки из карточки и не гарантирует такое же качество на других данных.

Для каких профессий подходит4

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель III.2Корпоративные функцииИсследование рынка и маркетингAI помогает понимать рынок, создавать коммуникации и улучшать эффективность маркетинга.22 задачи8 594модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

news_sentiment_sentence_v1

This model is a fine-tuned version of distilbert-base-uncased on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.5339
Accuracy: 0.7785

Model description

More information needed

Intended uses & limitations

More information needed

Training and evaluation data

More information needed

Training procedure

Training hyperparameters

The following hyperparameters were used during training:

learning_rate: 2e-05
train_batch_size: 16
eval_batch_size: 16
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 5

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
No log	1.0	89	0.5339	0.7785
No log	2.0	178	0.5512	0.7785
No log	3.0	267	0.5358	0.7911
No log	4.0	356	0.5619	0.7975
No log	5.0	445	0.6056	0.7785

Framework versions

Transformers 4.35.0
Pytorch 2.1.0+cu118
Datasets 2.14.6
Tokenizers 0.14.1

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · text-classification

Можно запустить

Подбираем GPU…

Класс архитектуры: DistilBertForSequenceClassification
Ревизия весов: 50031ce