/ Модель

Характеристики

Контекст
512 токенов
Параметры
190 млн
Лицензия
Apache 2.0
Архитектура
bert · dense

bert-fa-base-uncased-sentiment-deepsentipers-multi

Классификация текстаТекст → label3 профессии

Производная модели HooshvareLab/bert-fa-base-uncased-sentiment-deepsentipers-binary. Модель на основе ParsBERT определяет, является ли персидский отзыв положительным или отрицательным.

251скачиваний за 30 дней1лайквеса обновлены18 мая 2021

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

Карточка модели HooshvareLab/bert-fa-base-uncased-sentiment-deepsentipers-multi на Hugging Face совпадает с карточкой HooshvareLab/bert-fa-base-uncased-sentiment-deepsentipers-binary, поэтому описание составлено по ней.

HooshvareLab/bert-fa-base-uncased-sentiment-deepsentipers-binary — модель классификации тональности персидских текстов, разработанная на основе ParsBERT. Авторы дообучили ParsBERT v1.1 на новых персидских корпусах; эта версия предназначена для бинарного определения тональности отзывов о цифровых товарах: положительной или отрицательной. Для обучения и оценки использовался сбалансированный набор DeepSentiPers, в котором нейтральные примеры исключены из бинарной разметки.

Модель построена на архитектуре BERT и имеет около 190 млн параметров; максимальная длина контекста составляет 512 токенов. Она принимает текст и выдаёт метку класса, а карточка сообщает результаты F1 для бинарной классификации SentiPers на уровне 92,42. Подходит для анализа отзывов и пользовательских комментариев на персидском языке. Распространяется по лицензии Apache-2.0.

Сценарии применения

  • Определение тональности отзывов о цифровых товарах
  • Разметка персидских комментариев как положительных или отрицательных
  • Анализ отзывов пользователей Digikala
  • Анализ отзывов пользователей SnappFood
  • Мониторинг общего настроения в персидских пользовательских отзывах

Ограничения

Модель решает бинарную задачу и не выдаёт нейтральный класс. Заявленные результаты относятся к наборам SentiPers и DeepSentiPers; качество на других типах персидских текстов в карточке не описано.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

ParsBERT (v2.0)

A Transformer-based Model for Persian Language Understanding

We reconstructed the vocabulary and fine-tuned the ParsBERT v1.1 on the new Persian corpora in order to provide some functionalities for using ParsBERT in other scopes! Please follow the ParsBERT repo for the latest information about previous and current models.

Persian Sentiment [Digikala, SnappFood, DeepSentiPers]

It aims to classify text, such as comments, based on their emotional bias. We tested three well-known datasets for this task: Digikala user comments, SnappFood user comments, and DeepSentiPers in two binary-form and multi-form types.

DeepSentiPers

which is a balanced and augmented version of SentiPers, contains 12,138 user opinions about digital products labeled with five different classes; two positives (i.e., happy and delighted), two negatives (i.e., furious and angry) and one neutral class. Therefore, this dataset can be utilized for both multi-class and binary classification. In the case of binary classification, the neutral class and its corresponding sentences are removed from the dataset.

Binary:

  1. Negative (Furious + Angry)
  2. Positive (Happy + Delighted)

Multi

  1. Furious
  2. Angry
  3. Neutral
  4. Happy
  5. Delighted
Label#
Furious236
Angry1357
Neutral2874
Happy2848
Delighted2516

Download You can download the dataset from:

Results

The following table summarizes the F1 score obtained by ParsBERT as compared to other models and architectures.

DatasetParsBERT v2ParsBERT v1mBERTDeepSentiPers
SentiPers (Multi Class)71.31*71.11-69.33
SentiPers (Binary Class)92.42*92.13-91.98

How to use :hugs:

TaskNotebook
Sentiment AnalysisOpen In Colab

BibTeX entry and citation info

Please cite in publications as the following:

@article{ParsBERT,
    title={ParsBERT: Transformer-based Model for Persian Language Understanding},
    author={Mehrdad Farahani, Mohammad Gharachorloo, Marzieh Farahani, Mohammad Manthouri},
    journal={ArXiv},
    year={2020},
    volume={abs/2005.12515}
}

Questions?

Post a Github issue on the ParsBERT Issues repo.

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
BertForSequenceClassification
Ревизия весов
76f7785

0 моделей