DeBERTa v3 for Japanese Emotion Analysis (WRIME - Plutchik's 8 Emotions)

日本語の感情分析（プルチックの 8 感情）のための DeBERTa v3 モデル

このモデルはku-nlp/deberta-v3-base-japaneseをWRIME v1 データセットの主観データ（writer）でファインチューニングしたものです。

🔄 重要：正規化について

このモデルは正規化された値を出力します

• モデル出力: 0.0 ~ 1.0 の連続値（正規化済み）
• 元のスケール: 0 ~ 3 の連続値
• デノーマライズ方法: prediction_original = prediction_normalized * 3.0

# 推論後、必ずデノーマライズしてください
predictions = outputs.logits.cpu().numpy()[0]  # 0.0~1.0
predictions_original = predictions * 3.0        # 0~3に変換
predictions_original = np.clip(predictions_original, 0.0, 3.0)

Model Description

プルチックの 8 つの基本感情（喜び、悲しみ、期待、驚き、怒り、恐れ、嫌悪、信頼）を0 ～ 3 の連続値で予測する回帰モデルです。

• ベースモデル: ku-nlp/deberta-v3-base-japanese
• 言語: 日本語 (Japanese)
• ライセンス: MIT
• タスク: 感情分析（回帰）
• データ: WRIME v1（主観データのみ）

Label Configuration

{
  "id2label": {
    "0": "joy",
    "1": "sadness",
    "2": "anticipation",
    "3": "surprise",
    "4": "anger",
    "5": "fear",
    "6": "disgust",
    "7": "trust"
  },
  "problem_type": "regression"
}

How to Use

インストール

pip install transformers torch

基本的な使い方

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch
import numpy as np

# モデルとトークナイザのロード
model_name = "neuralnaut/deberta-wrime-emotions"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name)

# 感情ラベル（出力の順序に対応）
EMOTION_LABELS = ["joy", "sadness", "anticipation", "surprise", "anger", "fear", "disgust", "trust"]

# 推論
text = "今日はとても楽しい一日でした！"
inputs = tokenizer(text, return_tensors="pt", truncation=True, max_length=128)

model.eval()
with torch.no_grad():
    outputs = model(**inputs)
    predictions = outputs.logits.cpu().numpy()[0]

# ⚠️ 重要：デノーマライズ (0-1 → 0-3)
predictions = predictions * 3.0
predictions = np.clip(predictions, 0.0, 3.0)

# 結果表示
print(f"テキスト: {text}\n")
for emotion, score in zip(EMOTION_LABELS, predictions):
    print(f"{emotion:15s}: {score:.2f}")

出力例

テキスト: 今日はとても楽しい一日でした！

joy            : 2.73
sadness        : 0.12
anticipation   : 1.48
surprise       : 0.65
anger          : 0.02
fear           : 0.05
disgust        : 0.08
trust          : 1.15

視覚化例

for emotion, score in zip(EMOTION_LABELS, predictions):
    bar = "█" * int(score * 10)
    print(f"{emotion:15s}: {score:.2f} {bar}")

Intended Uses

主な用途

• テキストの詳細な感情分析（SNS 投稿、レビュー、コメントなど）
• 8 次元の感情プロファイル作成
• メンタルヘルス分野での複雑な感情理解
• カスタマーフィードバックの詳細分析

制限事項

• 主観データのみ: 筆者の主観的な感情のみを予測（読者の感情は対象外）
• ドメイン: SNS 投稿風のカジュアルなテキストで最適化
• 長さ: 最大 128 トークンまで
• Trust 感情: trust（信頼）の相関が他より低い（0.2635）

Training Data

WRIME v1 データセット

• 出典: shunk031/wrime (ver1)
• 使用データ: 主観データ（writer）のみ
• ラベル: プルチックの 8 感情
• スケール: 0（無）～ 3（強）の連続値

Training Procedure

ハイパーパラメータ

データ正規化

• 学習時: 0-3 → 0-1 に正規化
• 推論時: 0-1 → 0-3 にデノーマライズが必要

Evaluation Results

テストセット性能 (WRIME v1 test split)

感情ごとの Pearson 相関係数

感情ごとの RMSE (0-3 scale)

Limitations and Bias

• 主観データのみ: 筆者の感情のみを予測
• ドメインバイアス: SNS 投稿のような短文に最適化
• 文化的バイアス: 日本語話者の感情表現に特化
• Trust 感情: 他の感情より予測精度が低い
• 複雑な感情: 矛盾する複数の感情が同時に存在する場合は予測が難しい

Citation

このモデルの引用

@misc{neuralnaut2025deberta-wrime-emotions,
  title = {DeBERTa v3 for Japanese Emotion Analysis (WRIME - Plutchik's 8 Emotions)},
  author = {neuralnaut},
  year = {2025},
  publisher = {Hugging Face},
  howpublished = {\url{https://huggingface.co/neuralnaut/deberta-wrime-emotions}},
}

WRIME データセット

@inproceedings{kajiwara-etal-2021-wrime,
    title = "{WRIME}: A New Dataset for Emotional Intensity Estimation with Subjective and Objective Annotations",
    author = "Kajiwara, Tomoyuki and Chu, Chenhui and Takemura, Noriko and Nakashima, Yuta and Nagahara, Hajime",
    booktitle = "Proceedings of NAACL-HLT 2021",
    year = "2021",
    pages = "2095--2104",
}

ベースモデル

@misc{ku-nlp-deberta-v3-base-japanese,
  title = {DeBERTa V3 base Japanese model},
  author = {Kyoto University NLP Lab},
  year = {2023},
  publisher = {Hugging Face},
  howpublished = {\url{https://huggingface.co/ku-nlp/deberta-v3-base-japanese}},
}