/ Модель

Характеристики

Контекст
512 токенов
Параметры
129 млн
Архитектура
bert · dense
Опубликована
2 мар 2022

KR-FinBert-SC

Классификация текстаТекст → label3 профессии

Корейская BERT-модель для определения тональности финансовых новостей и аналитических отчетов.

31 145скачиваний за 30 дней40лайковвеса обновлены28 апр 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

KR-FinBert-SC — это корейская модель для классификации тональности финансовых новостей и аналитических отчетов. Она разработана путем дополнительного предобучения KR-BERT-MEDIUM на финансовых текстах, а затем дообучена на размеченных данных для анализа тональности. В карточке Hugging Face указана архитектура BERT с классификационной головой, размер около 128,6 млн параметров и максимальная длина контекста 512 токенов.

Модель предназначена для определения положительной или отрицательной тональности сообщений о компаниях, рынках и финансовых результатах. В описанном эксперименте она достигла точности 0,963 на 50 000 размеченных примерах. Обучающие данные включали корейские новости и отчеты аналитиков, поэтому модель ориентирована прежде всего на корейский язык и финансовую тематику.

Модель распространяется в формате PyTorch. Лицензия в предоставленных данных не указана.

Сценарии применения

  • определение тональности новостей о компаниях
  • классификация финансовых заголовков на положительные и отрицательные
  • анализ тональности отчетов аналитиков
  • мониторинг реакции новостного потока на корпоративные события

Ограничения

Модель рассчитана на корейские финансовые тексты; перенос на другие языки и области не подтвержден. Приведенная точность относится к описанному набору размеченных данных и не гарантирует аналогичных результатов на других выборках.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

KR-FinBert & KR-FinBert-SC

Much progress has been made in the NLP (Natural Language Processing) field, with numerous studies showing that domain adaptation using small-scale corpus and fine-tuning with labeled data is effective for overall performance improvement. we proposed KR-FinBert for the financial domain by further pre-training it on a financial corpus and fine-tuning it for sentiment analysis. As many studies have shown, the performance improvement through adaptation and conducting the downstream task was also clear in this experiment.

KR-FinBert

Data

The training data for this model is expanded from those of KR-BERT-MEDIUM, texts from Korean Wikipedia, general news articles, legal texts crawled from the National Law Information Center and Korean Comments dataset. For the transfer learning, corporate related economic news articles from 72 media sources such as the Financial Times, The Korean Economy Daily, etc and analyst reports from 16 securities companies such as Kiwoom Securities, Samsung Securities, etc are added. Included in the dataset is 440,067 news titles with their content and 11,237 analyst reports. The total data size is about 13.22GB. For mlm training, we split the data line by line and the total no. of lines is 6,379,315. KR-FinBert is trained for 5.5M steps with the maxlen of 512, training batch size of 32, and learning rate of 5e-5, taking 67.48 hours to train the model using NVIDIA TITAN XP.

Downstream tasks

Sentimental Classification model

Downstream task performances with 50,000 labeled data.

ModelAccuracy
KR-FinBert0.963
KR-BERT-MEDIUM0.958
KcBert-large0.955
KcBert-base0.953
KoBert0.817

Inference sample

PositiveNegative
현대바이오, '폴리탁셀' 코로나19 치료 가능성에 19% 급등영화관株 '코로나 빙하기' 언제 끝나나…"CJ CGV 올 4000억 손실 날수도" 
이수화학, 3분기 영업익 176억…전년比 80%↑C쇼크에 멈춘 흑자비행…대한항공 1분기 영업적자 566억 
"GKL, 7년 만에 두 자릿수 매출성장 예상"'1000억대 횡령·배임' 최신원 회장 구속… SK네트웍스 "경영 공백 방지 최선" 
위지윅스튜디오, 콘텐츠 활약에 사상 첫 매출 1000억원 돌파부품 공급 차질에…기아차 광주공장 전면 가동 중단 
삼성전자, 2년 만에 인도 스마트폰 시장 점유율 1위 '왕좌 탈환'현대제철, 지난해 영업익 3,313억원···전년比 67.7% 감소 

Citation

@misc{kr-FinBert-SC,
  author = {Kim, Eunhee and Hyopil Shin},
  title = {KR-FinBert: Fine-tuning KR-FinBert for Sentiment Analysis},
  year = {2022},
  publisher = {GitHub},
  journal = {GitHub repository},
  howpublished = {\url{https://huggingface.co/snunlp/KR-FinBert-SC}}
}

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
f858628

0 моделей