Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Опубликована: 3 фев 2023

Ссылки

Hugging Face

bert-base-goemotions

IsaacZhy

Классификация текстаТекст → label3 профессии

Дообученная англоязычная BERT-модель для классификации эмоций в тексте по набору GoEmotions.

1 679скачиваний за 30 дней2лайкавеса обновлены3 фев 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

IsaacZhy/bert-base-goemotions — модель классификации текста на основе BERT, дообученная на наборе GoEmotions. Она присваивает тексту эмоциональные категории. Модель имеет 136,7 млн параметров, принимает последовательности длиной до 512 токенов и распространяется в формате PyTorch.

На тестовой выборке указаны F1 0,5727, ROC AUC 0,7796 и точность 0,4375. Базовая модель bert-base-uncased ориентирована на английский язык, поэтому модель подходит прежде всего для классификации англоязычных текстов. Лицензия — Apache-2.0.

Сценарии применения

определение эмоциональных категорий в сообщениях
анализ эмоций в отзывах на английском языке
разметка эмоциональных реакций в комментариях
классификация эмоций в коротких пользовательских текстах

Ограничения

На оценочной выборке указаны F1 0,5727 и accuracy 0,4375, поэтому предсказания могут быть неточными. Карточка не описывает детально обучение и ограничения; максимальная длина контекста составляет 512 токенов.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

III.2Корпоративные функцииИсследование рынка и маркетингAI помогает понимать рынок, создавать коммуникации и улучшать эффективность маркетинга.22 задачи8 594модели III.4Корпоративные функцииКлиентская поддержка и customer successAI помогает быстрее решать обращения и предупреждать проблемы клиентов.20 задач9 831модель II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert-base-goemotions

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

Loss: 0.1539
F1: 0.5727
Roc Auc: 0.7796
Accuracy: 0.4375

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: 5e-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: 10

Training results

Training Loss	Epoch	Step	Validation Loss	F1	Roc Auc	Accuracy
0.0833	1.0	2714	0.0876	0.5453	0.7189	0.4243
0.0719	2.0	5428	0.0867	0.5586	0.7322	0.4399
0.0575	3.0	8142	0.0943	0.5736	0.7523	0.4665
0.0411	4.0	10856	0.1064	0.5655	0.7580	0.4574
0.0301	5.0	13570	0.1167	0.5622	0.7591	0.4517
0.0217	6.0	16284	0.1279	0.5579	0.7648	0.4375
0.015	7.0	18998	0.1367	0.5663	0.7759	0.4333
0.0102	8.0	21712	0.1445	0.5695	0.7793	0.4322
0.0077	9.0	24426	0.1491	0.5725	0.7795	0.4366
0.0057	10.0	27140	0.1539	0.5727	0.7796	0.4375

Framework versions

Transformers 4.26.0
Pytorch 1.13.1+cu116
Datasets 2.9.0
Tokenizers 0.13.2

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: cbc7557