Характеристики

Контекст: 514 токенов
Параметры: 152 млн
Архитектура: roberta · dense
Опубликована: 2 мар 2022

Ссылки

Hugging Face

roberta-base-finetuned-yelp-polarity

VictorSanh

Классификация текстаТекст → label3 профессии

Англоязычная RoBERTa-base для определения тональности отзывов Yelp по двум категориям полярности.

1 216скачиваний за 30 дней5лайковвеса обновлены17 мар 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

Модель VictorSanh/roberta-base-finetuned-yelp-polarity — RoBERTa-base, дообученная для бинарной классификации тональности отзывов Yelp. Она относит текст отзыва к одной из двух категорий полярности и подходит для анализа пользовательских оценок и сортировки отзывов по тональности. Модель содержит 151,8 млн параметров, принимает текст с контекстом до 514 токенов и рассчитана на английский язык.

В README указана точность 98,08% на тестовом наборе Yelp Polarity. Это результат на конкретном наборе данных и не гарантирует такую же точность на отзывах из других источников или предметных областей. Доступные форматы включают PyTorch, Flax и Safetensors. Сведения о лицензии в предоставленных данных отсутствуют.

Сценарии применения

Определение тональности отзыва о ресторане
Разделение отзывов Yelp на две категории полярности
Автоматическая сортировка англоязычных отзывов по тональности

Ограничения

Показатель 98,08% получен на тестовом наборе Yelp Polarity и может не переноситься на другие данные. Модель предназначена для бинарной классификации тональности отзывов, а не для общего анализа тональности с несколькими категориями.

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 IV.1Отраслевые задачиРитейл, электронная коммерция и fashion-techAI помогает управлять ассортиментом, покупательским опытом и эффективностью торговых операций.29 задач5 934модели III.4Корпоративные функцииКлиентская поддержка и customer successAI помогает быстрее решать обращения и предупреждать проблемы клиентов.20 задач9 831модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

RoBERTa-base-finetuned-yelp-polarity

This is a RoBERTa-base checkpoint fine-tuned on binary sentiment classifcation from Yelp polarity. It gets 98.08% accuracy on the test set.

Hyper-parameters

We used the following hyper-parameters to train the model on one GPU:

num_train_epochs            = 2.0
learning_rate               = 1e-05
weight_decay                = 0.0
adam_epsilon                = 1e-08
max_grad_norm               = 1.0
per_device_train_batch_size = 32
gradient_accumulation_steps = 1
warmup_steps                = 3500
seed                        = 42

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: RobertaForSequenceClassification
Ревизия весов: 709b46d