from transformers import pipeline
classifier = pipeline("text-classification", model="matthewburke/korean_sentiment")
custom_tweet = "영화 재밌다."
preds = classifier(custom_tweet, return_all_scores=True)
is_positive = preds[0][1]['score'] > 0.5
Характеристики
- Контекст
- 512 токенов
- Параметры
- 152 млн
- Архитектура
- electra · dense
Ссылки
korean_sentiment
Модель ELECTRA для классификации тональности корейских текстов, включая короткие отзывы и сообщения.
1 751скачиваний за 30 дней18лайковвеса обновлены16 янв 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
matthewburke/korean_sentiment — модель Matthew Burke для классификации тональности корейского текста. Она предназначена для определения эмоциональной окраски коротких сообщений, например отзывов о фильмах и публикаций в социальных сетях. Модель построена на архитектуре ELECTRA и содержит 151,7 млн параметров; максимальная длина входа — 512 токенов. Использовать её можно через библиотеку Transformers для задачи text-classification.
README показывает пример классификации корейского сообщения «영화 재밌다.» и проверки оценки позитивного класса. В карточке не приведены сведения о лицензии, метках классов или качестве на тестовых данных, поэтому пригодность для конкретного домена стоит проверять отдельно.
Сценарии применения
- определение позитивной или негативной окраски корейских отзывов
- анализ тональности корейских публикаций в соцсетях
- классификация эмоциональной окраски коротких сообщений на корейском
Ограничения
Карточка не сообщает состав меток и качество модели на тестовых наборах; результаты для других жанров корейского текста требуют отдельной проверки. Максимальная длина входа — 512 токенов.
Для каких профессий подходит3
Разделы каталога профессий, в задачах которых используется эта модель
III.2Корпоративные функцииИсследование рынка и маркетингAI помогает понимать рынок, создавать коммуникации и улучшать эффективность маркетинга.22 задачи8 594моделиIII.4Корпоративные функцииКлиентская поддержка и customer successAI помогает быстрее решать обращения и предупреждать проблемы клиентов.20 задач9 831модельII.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
Как запустить
На своей GPU в ailist. Цена — по текущим предложениям провайдеров
GPU в ailist
Универсальный рантайм · text-classification
Подбираем GPU…
- Класс архитектуры
- ElectraForSequenceClassification
- Ревизия весов
- 87ed5cf