Характеристики

Контекст: 300 токенов
Параметры: 136 млн
Лицензия: Apache 2.0
Архитектура: bert · dense
Базовая модель: kcbert-base
Опубликована: 7 июл 2024

Ссылки

Hugging Face

kcbert_nsmc_tuning

gigauser

Классификация текстаТекст → label3 профессии

Дообученная корейская BERT-модель для классификации тональности рецензий на фильмы.

489скачиваний за 30 дней0лайковвеса обновлены8 июл 2024

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

gigauser/kcbert_nsmc_tuning — корейская модель классификации последовательностей на основе BERT, дообученная на beomi/kcbert-base с использованием набора NSMC, содержащего корейские рецензии на фильмы. Она предназначена для классификации тональности коротких отзывов и может применяться для автоматической оценки пользовательских мнений о фильмах. По данным карточки, модель содержит 136,3 млн параметров и принимает текст длиной до 300 токенов.

В оценке на тестовой выборке NSMC указаны точность 0,9013 и значение функции потерь 0,4492. Модель распространяется в формате Safetensors по лицензии Apache-2.0; подробности обучения и дополнительные ограничения в карточке не раскрыты.

Сценарии применения

Определение положительной или отрицательной тональности корейских отзывов на фильмы
Автоматическая разметка отзывов пользователей о кино
Анализ тональности коротких корейских текстов

Ограничения

Оценка качества приведена только для набора NSMC; переносимость на другие типы текстов и домены не подтверждена. Максимальная длина входа составляет 300 токенов.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей 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

kcbert_nsmc_tuning

This model is a fine-tuned version of beomi/kcbert-base on the nsmc dataset. It achieves the following results on the evaluation set:

Loss: 0.4492
Accuracy: 0.9013

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: 64
eval_batch_size: 64
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 3

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy
0.1689	1.0	2344	0.2717	0.9006
0.0951	2.0	4688	0.3458	0.8995
0.051	3.0	7032	0.4492	0.9013

Framework versions

Transformers 4.42.2
Pytorch 2.3.1+cu121
Datasets 2.20.0
Tokenizers 0.19.1

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: BertForSequenceClassification
Ревизия весов: 78805ec