Характеристики

Контекст: 512 токенов
Параметры: 137 млн
Архитектура: bert · dense
Опубликована: 19 янв 2023

Ссылки

Hugging Face

finbert-tone-finetuned-finance-text-classification

nickmuchi

Классификация текстаТекст → label3 профессии

Дообученная FinBERT-модель классифицирует тональность и другие категории финансовых текстов на английском языке.

272скачиваний за 30 дней0лайковвеса обновлены3 апр 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/finbert-tone-finetuned-finance-text-classification разработана как дообученная версия yiyanghkust/finbert-tone для классификации финансовых текстов. Это модель семейства BERT с архитектурой BertForSequenceClassification, содержащая 137 млн параметров и рассчитанная на контекст до 512 токенов.

Модель обучена на объединённом наборе финансовых текстов, включающем financial_phrasebank, FinanceInc/auditor_sentiment и zeroshot/twitter-financial-news-sentiment. Её можно применять для классификации тональности и других меток в финансовых текстах. В карточке приведены результаты оценки: accuracy 0,9097 и F1 0,9102.

Модель принимает текст и выдаёт метки классификации. Карточка указывает английский язык. Доступны веса PyTorch и Safetensors; лицензия в предоставленных данных не указана.

Сценарии применения

определение тональности финансовых новостей
классификация мнений в финансовых сообщениях в социальных сетях
анализ тональности фраз из финансовых отчётов
категоризация финансовых текстов для последующего анализа

Ограничения

Ограничение контекста составляет 512 токенов. Результаты оценки на наборе из карточки не гарантируют такое же качество на других финансовых текстах.

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 I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей I.3Универсальные способностиИзвлечение и структурирование данныхAI помогает превращать разрозненные данные в структуру, пригодную для поиска, аналитики и автоматизации.18 задач25 791модель

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

finbert-tone-finetuned-finance-text-classification

This model is a fine-tuned version of yiyanghkust/finbert-tone on the nickmuchi/financial-text-combo-classification dataset which is a combined dataset of financial_phrasebank,FinanceInc/auditor_sentiment and zeroshot/twitter-financial-news-sentiment. It achieves the following results on the evaluation set:

Loss: 0.6645
Accuracy: 0.9097
F1: 0.9102
Precision: 0.9110
Recall: 0.9097

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: 128
eval_batch_size: 128
seed: 42
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
num_epochs: 20
mixed_precision_training: Native AMP

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	F1	Precision	Recall
No log	1.0	141	0.3934	0.8431	0.8427	0.8456	0.8431
No log	2.0	282	0.3214	0.8843	0.8843	0.8867	0.8843
No log	3.0	423	0.3302	0.8882	0.8902	0.8965	0.8882
0.4444	4.0	564	0.3611	0.8980	0.8993	0.9026	0.8980
0.4444	5.0	705	0.4006	0.8975	0.8987	0.9014	0.8975
0.4444	6.0	846	0.4517	0.9037	0.9043	0.9057	0.9037
0.4444	7.0	987	0.5324	0.9027	0.9035	0.9057	0.9027
0.0406	8.0	1128	0.5308	0.9063	0.9074	0.9098	0.9063
0.0406	9.0	1269	0.5586	0.9081	0.9084	0.9089	0.9081
0.0406	10.0	1410	0.5783	0.9076	0.9080	0.9086	0.9076
0.0121	11.0	1551	0.5741	0.9115	0.9116	0.9121	0.9115
0.0121	12.0	1692	0.6288	0.9104	0.9108	0.9115	0.9104
0.0121	13.0	1833	0.6328	0.9050	0.9059	0.9078	0.9050
0.0121	14.0	1974	0.6887	0.9042	0.9054	0.9088	0.9042
0.0063	15.0	2115	0.6345	0.9086	0.9094	0.9109	0.9086
0.0063	16.0	2256	0.6545	0.9102	0.9103	0.9108	0.9102
0.0063	17.0	2397	0.6585	0.9086	0.9092	0.9103	0.9086
0.0033	18.0	2538	0.6676	0.9081	0.9087	0.9098	0.9081
0.0033	19.0	2679	0.6614	0.9110	0.9113	0.9119	0.9110
0.0033	20.0	2820	0.6645	0.9097	0.9102	0.9110	0.9097

Framework versions

Transformers 4.25.1
Pytorch 1.13.1+cu116
Datasets 2.8.0
Tokenizers 0.13.2

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: 14c5ff7