Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Опубликована: 2 мар 2022

Ссылки

Hugging Face

bert-base-uncased-amazon_polarity

fabriceyhc

Классификация текстаТекст → label3 профессии

Дообученная BERT-модель классифицирует отзывы Amazon по тональности.

166скачиваний за 30 дней4лайкавеса обновлены5 окт 2022

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

fabriceyhc/bert-base-uncased-amazon_polarity — модель BERT для классификации тональности отзывов покупателей Amazon. Она дообучена на наборе данных amazon_polarity и предназначена для определения полярности текста отзыва. Архитектура — BertForSequenceClassification, размер — 136,7 млн параметров, максимальная длина контекста — 512 токенов.

На оценочной выборке модель показала точность 0,9465 и loss 0,2945. Она принимает текст и выдаёт метку класса; эти результаты относятся к указанной оценочной выборке и не гарантируют аналогичное качество на других данных. Модель распространяется под лицензией Apache-2.0.

Сценарии применения

Определение тональности отзыва о товаре Amazon
Автоматическая сортировка отзывов на положительные и отрицательные
Подсчёт доли положительных отзывов по товарам
Фильтрация отзывов для последующего анализа

Ограничения

Результаты оценки приведены только для выборки amazon_polarity; качество на других источниках и типах текста может отличаться. Контекст ограничен 512 токенами.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.1Отраслевые задачиРитейл, электронная коммерция и fashion-techAI помогает управлять ассортиментом, покупательским опытом и эффективностью торговых операций.29 задач5 934модели III.2Корпоративные функцииИсследование рынка и маркетингAI помогает понимать рынок, создавать коммуникации и улучшать эффективность маркетинга.22 задачи8 594модели III.1Корпоративные функцииСтратегия, продукт и бизнес-моделиAI помогает принимать продуктовые и стратегические решения на основе свидетельств, а не только интуиции.19 задач2 459моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

bert-base-uncased-amazon_polarity

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

Loss: 0.2945
Accuracy: 0.9465

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: 1
eval_batch_size: 8
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_steps: 1782000
training_steps: 17820000

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.7155	0.0	2000	0.7060	0.4622
0.7054	0.0	4000	0.6925	0.5165
0.6842	0.0	6000	0.6653	0.6116
0.6375	0.0	8000	0.5721	0.7909
0.4671	0.0	10000	0.3238	0.8770
0.3403	0.0	12000	0.3692	0.8861
0.4162	0.0	14000	0.4560	0.8908
0.4728	0.0	16000	0.5071	0.8980
0.5111	0.01	18000	0.5204	0.9015
0.4792	0.01	20000	0.5193	0.9076
0.544	0.01	22000	0.4835	0.9133
0.4745	0.01	24000	0.4689	0.9170
0.4403	0.01	26000	0.4778	0.9177
0.4405	0.01	28000	0.4754	0.9163
0.4375	0.01	30000	0.4808	0.9175
0.4628	0.01	32000	0.4340	0.9244
0.4488	0.01	34000	0.4162	0.9265
0.4608	0.01	36000	0.4031	0.9271
0.4478	0.01	38000	0.4502	0.9253
0.4237	0.01	40000	0.4087	0.9279
0.4601	0.01	42000	0.4133	0.9269
0.4153	0.01	44000	0.4230	0.9306
0.4096	0.01	46000	0.4108	0.9301
0.4348	0.01	48000	0.4138	0.9309
0.3787	0.01	50000	0.4066	0.9324
0.4172	0.01	52000	0.4812	0.9206
0.3897	0.02	54000	0.4013	0.9325
0.3787	0.02	56000	0.3837	0.9344
0.4253	0.02	58000	0.3925	0.9347
0.3959	0.02	60000	0.3907	0.9353
0.4402	0.02	62000	0.3708	0.9341
0.4115	0.02	64000	0.3477	0.9361
0.3876	0.02	66000	0.3634	0.9373
0.4286	0.02	68000	0.3778	0.9378
0.422	0.02	70000	0.3540	0.9361
0.3732	0.02	72000	0.3853	0.9378
0.3641	0.02	74000	0.3951	0.9386
0.3701	0.02	76000	0.3582	0.9388
0.4498	0.02	78000	0.3268	0.9375
0.3587	0.02	80000	0.3825	0.9401
0.4474	0.02	82000	0.3155	0.9391
0.3598	0.02	84000	0.3666	0.9388
0.389	0.02	86000	0.3745	0.9377
0.3625	0.02	88000	0.3776	0.9387
0.3511	0.03	90000	0.4275	0.9336
0.3428	0.03	92000	0.4301	0.9336
0.4042	0.03	94000	0.3547	0.9359
0.3583	0.03	96000	0.3763	0.9396
0.3887	0.03	98000	0.3213	0.9412
0.3915	0.03	100000	0.3557	0.9409
0.3378	0.03	102000	0.3627	0.9418
0.349	0.03	104000	0.3614	0.9402
0.3596	0.03	106000	0.3834	0.9381
0.3519	0.03	108000	0.3560	0.9421
0.3598	0.03	110000	0.3485	0.9419
0.3642	0.03	112000	0.3754	0.9395
0.3477	0.03	114000	0.3634	0.9426
0.4202	0.03	116000	0.3071	0.9427
0.3656	0.03	118000	0.3155	0.9441
0.3709	0.03	120000	0.2923	0.9433
0.374	0.03	122000	0.3272	0.9441
0.3142	0.03	124000	0.3348	0.9444
0.3452	0.04	126000	0.3603	0.9436
0.3365	0.04	128000	0.3339	0.9434
0.3353	0.04	130000	0.3471	0.9450
0.343	0.04	132000	0.3508	0.9418
0.3174	0.04	134000	0.3753	0.9436
0.3009	0.04	136000	0.3687	0.9422
0.3785	0.04	138000	0.3818	0.9396
0.3199	0.04	140000	0.3291	0.9438
0.4049	0.04	142000	0.3372	0.9454
0.3435	0.04	144000	0.3315	0.9459
0.3814	0.04	146000	0.3462	0.9401
0.359	0.04	148000	0.3981	0.9361
0.3552	0.04	150000	0.3226	0.9469
0.345	0.04	152000	0.3731	0.9384
0.3228	0.04	154000	0.2956	0.9471
0.3637	0.04	156000	0.2869	0.9477
0.349	0.04	158000	0.3331	0.9430
0.3374	0.04	160000	0.4159	0.9340
0.3718	0.05	162000	0.3241	0.9459
0.315	0.05	164000	0.3544	0.9391
0.3215	0.05	166000	0.3311	0.9451
0.3464	0.05	168000	0.3682	0.9453
0.3495	0.05	170000	0.3193	0.9469
0.305	0.05	172000	0.4132	0.9389
0.3479	0.05	174000	0.3465	0.947
0.3537	0.05	176000	0.3277	0.9449

Framework versions

Transformers 4.10.2
Pytorch 1.7.1
Datasets 1.12.1
Tokenizers 0.10.3

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: 36abc4b