Характеристики

Контекст: 512 токенов
Лицензия: Apache 2.0
Архитектура: distilbert · dense
Опубликована: 5 мар 2023

Ссылки

Hugging Face

distilbert-go-emotions

tasinhoque

Классификация текстаТекст → label3 профессии

Дообученная на GoEmotions модель DistilBERT для классификации текста по эмоциональным категориям.

31скачиваний за 30 дней0лайковвеса обновлены5 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

tasinhoque/distilbert-go-emotions — модель классификации текста на основе DistilBERT, дообученная на наборе данных GoEmotions. Она предназначена для распознавания эмоциональных категорий в тексте и может применяться, например, для анализа пользовательских сообщений. Модель принимает текст, использует архитектуру DistilBertForSequenceClassification и рассчитана на контекст до 512 токенов.

В README приведены результаты на оценочной выборке: accuracy 0,4287 и F1 0,4702. Эти показатели дают ориентир по качеству, но карточка не описывает схему меток, данные обучения и ограничения применения. Модель распространяется в формате PyTorch по лицензии Apache-2.0.

Сценарии применения

определение эмоций в сообщениях пользователей
анализ тональности и эмоциональной окраски комментариев
классификация эмоциональных реакций в текстовой обратной связи

Ограничения

На оценочной выборке указаны accuracy 0,4287 и F1 0,4702; качество может быть недостаточным для решений без дополнительной проверки. Контекст ограничен 512 токенами.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

III.4Корпоративные функцииКлиентская поддержка и customer successAI помогает быстрее решать обращения и предупреждать проблемы клиентов.20 задач9 831модель III.2Корпоративные функцииИсследование рынка и маркетингAI помогает понимать рынок, создавать коммуникации и улучшать эффективность маркетинга.22 задачи8 594модели II.10Разработка и данныеРазработка и эксплуатация AI/ML-системAI помогает создавать, оценивать, развёртывать и контролировать AI/ML-системы на всём жизненном цикле.30 задач49 000моделей

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

distilbert-go-emotions

This model is a fine-tuned version of distilbert-base-uncased on the go_emotions dataset. It achieves the following results on the evaluation set:

Loss: 0.0907
Accuracy: 0.4287
Precision: 0.4504
Recall: 0.5003
F1: 0.4702

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: 5e-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: 6

Training results

Training Loss	Epoch	Step	Validation Loss	Accuracy	Precision	Recall	F1
No log	1.0	340	0.1102	0.4125	0.2946	0.2139	0.2014
0.1347	2.0	680	0.0890	0.3900	0.4252	0.4627	0.4262
0.1347	3.0	1020	0.0860	0.4097	0.4344	0.4992	0.4578
0.0771	4.0	1360	0.0864	0.4298	0.4561	0.4974	0.4701
0.0771	5.0	1700	0.0891	0.4266	0.4522	0.4992	0.4703
0.0617	6.0	2040	0.0907	0.4287	0.4504	0.5003	0.4702

Framework versions

Transformers 4.20.1
Pytorch 1.12.0
Datasets 2.1.0
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: DistilBertForSequenceClassification
Ревизия весов: 10030d9