Характеристики

Контекст: 512 токенов
Параметры: 152 млн
Архитектура: bert · dense

Ссылки

Hugging Face

bert-base-swedish-cased-sentiment

marma

Классификация текстаТекст → label3 профессии

Классификатор на базе BERT для определения тональности шведских текстов, обученный на отзывах App Store.

4 239скачиваний за 30 дней1лайквеса обновлены19 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

Модель marma/bert-base-swedish-cased-sentiment — классификатор тональности на базе BERT, опубликованный пользователем marma. Она дообучена на примерно 20 тысячах отзывов App Store на шведском языке и выдаёт метку тональности с оценкой уверенности. Репозиторий содержит веса PyTorch и Flax; число параметров — 151,9 млн, максимальная длина контекста — 512 токенов.

Модель предназначена для определения тональности шведских текстов, в частности отзывов приложений. В карточке показан пример с положительной меткой для короткой фразы. Обучение на отзывах App Store ограничивает основания для переноса результатов на другие типы текстов и языки. Лицензия в предоставленных данных не указана.

Сценарии применения

определение тональности отзывов приложений на шведском языке
разделение отзывов на положительные и отрицательные
анализ пользовательской обратной связи в шведском App Store

Ограничения

Модель обучена примерно на 20 тысячах отзывов App Store на шведском языке, поэтому её качество на других жанрах и языках не подтверждено. Лицензия не установлена по предоставленным сведениям.

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.1Корпоративные функцииСтратегия, продукт и бизнес-моделиAI помогает принимать продуктовые и стратегические решения на основе свидетельств, а не только интуиции.19 задач2 459моделей IV.9Отраслевые задачиМедиа, журналистика, культура, архивы и игрыAI помогает создавать, искать, сохранять и персонализировать медиа, культурный и игровой контент.44 задачи14 938моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Experimental sentiment analysis based on ~20k of App Store reviews in Swedish.

Usage

from transformers import pipeline

>>> sa = pipeline('sentiment-analysis', model='marma/bert-base-swedish-cased-sentiment')
>>> sa('Det här är ju fantastiskt!')
[{'label': 'POSITIVE', 'score': 0.9974609613418579}]

>>> sa('Den här appen suger!')
[{'label': 'NEGATIVE', 'score': 0.998340368270874}]

>>> sa('Det är fruktansvärt.')
[{'label': 'NEGATIVE', 'score': 0.998340368270874}]

>>> sa('Det är fruktansvärt bra.')
[{'label': 'POSITIVE', 'score': 0.998340368270874}]

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: 40c98c5