Характеристики

Контекст: 512 токенов
Параметры: 212 млн
Лицензия: MIT
Архитектура: deberta-v2 · dense
Опубликована: 29 мая 2022

Ссылки

Hugging Face

deberta-v3-base-finetuned-finance-text-classification

nickmuchi

Классификация текстаТекст → label3 профессии

Модель классифицирует тональность финансовых новостей как отрицательную, нейтральную или положительную.

982скачиваний за 30 дней28лайковвеса обновлены19 мар 2023

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 nickmuchi/deberta-v3-base-finetuned-finance-text-classification — дообученная nickmuchi на базе microsoft/deberta-v3-base модель DeBERTa-v3 для классификации тональности финансовых новостей. Она относит текст к одному из трёх классов: отрицательная, нейтральная или положительная тональность. Модель обучалась на наборе Financial PhraseBank с разметкой 50% согласия и Kaggle-данных, содержащих финансовые новости, в том числе о COVID-19.

Модель предназначена для анализа тональности новостных предложений и текстов о финансовых рынках. В README указаны точность 0,8913 и F1 0,8912 на оценочной выборке. Архитектура DeBERTa-v2 для классификации последовательностей содержит 211,6 млн параметров и поддерживает контекст до 512 токенов. Доступны веса PyTorch и Safetensors; лицензия — MIT.

Сценарии применения

определение тональности финансовых новостей
сортировка новостных сообщений по позитивному и негативному настрою
анализ упоминаний акций в новостях
мониторинг настроений рынка по финансовым текстам

Ограничения

Качество оценено на конкретной выборке финансовых новостей; показатели на других источниках и типах финансового текста могут отличаться. Контекст ограничен 512 токенами.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

IV.2Отраслевые задачиБанки, платежи и инвестицииAI помогает управлять финансовым риском, платежами, инвестиционным анализом и обслуживанием клиентов.37 задач1 723модели II.8Разработка и данныеИнженерия данных и аналитикаAI помогает готовить надёжные данные и превращать их в понятную аналитику.22 задачи23 488моделей 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

deberta-v3-base-finetuned-finance-text-classification

This model is a fine-tuned version of microsoft/deberta-v3-base on the sentence_50Agree financial-phrasebank + Kaggle Dataset, a dataset consisting of 4840 Financial News categorised by sentiment (negative, neutral, positive). The Kaggle dataset includes Covid-19 sentiment data and can be found here: sentiment-classification-selflabel-dataset.

It achieves the following results on the evaluation set:

Loss: 0.7687
Accuracy: 0.8913
F1: 0.8912
Precision: 0.8927
Recall: 0.8913

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: 16
eval_batch_size: 16
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 15
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	F1	Precision	Recall
No log	1.0	285	0.4187	0.8399	0.8407	0.8687	0.8399
0.5002	2.0	570	0.3065	0.8755	0.8733	0.8781	0.8755
0.5002	3.0	855	0.4148	0.8775	0.8775	0.8778	0.8775
0.1937	4.0	1140	0.4249	0.8696	0.8699	0.8719	0.8696
0.1937	5.0	1425	0.5121	0.8834	0.8824	0.8831	0.8834
0.0917	6.0	1710	0.6113	0.8775	0.8779	0.8839	0.8775
0.0917	7.0	1995	0.7296	0.8775	0.8776	0.8793	0.8775
0.0473	8.0	2280	0.7034	0.8953	0.8942	0.8964	0.8953
0.0275	9.0	2565	0.6995	0.8834	0.8836	0.8846	0.8834
0.0275	10.0	2850	0.7736	0.8755	0.8755	0.8789	0.8755
0.0186	11.0	3135	0.7173	0.8814	0.8814	0.8840	0.8814
0.0186	12.0	3420	0.7659	0.8854	0.8852	0.8873	0.8854
0.0113	13.0	3705	0.8415	0.8854	0.8855	0.8907	0.8854
0.0113	14.0	3990	0.7577	0.8953	0.8951	0.8966	0.8953
0.0074	15.0	4275	0.7687	0.8913	0.8912	0.8927	0.8913

Framework versions

Transformers 4.19.2
Pytorch 1.11.0+cu113
Datasets 2.2.2
Tokenizers 0.12.1

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: DebertaV2ForSequenceClassification
Ревизия весов: e07986b