Дообученная на IMDB модель BERT классифицирует тональность англоязычных отзывов.
24 461скачиваний за 30 дней8лайковвеса обновлены20 мая 2021
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 textattack/bert-base-uncased-imdb — версия BERT-base-uncased, дообученная командой TextAttack для классификации отзывов из набора IMDB. Она относит текст отзыва к одной из категорий тональности, например положительной или отрицательной.
Модель имеет плотную архитектуру BERT и около 136,7 млн параметров. Метаданные указывают контекст до 512 токенов; при обучении использовалась максимальная длина последовательности 128 токенов. В карточке сообщается о точности 0,89088 на оценочной выборке IMDB. Доступны веса PyTorch и Flax.
Модель подходит для анализа тональности англоязычных отзывов и демонстрации классификации текста. Она обучалась на IMDB, поэтому её результаты на других жанрах, языках и предметных областях могут быть хуже; карточка не приводит дополнительных оценок обобщения. Условия лицензии в предоставленных данных не указаны.
Сценарии применения
Определение положительной или отрицательной тональности отзывов о фильмах
Автоматическая сортировка отзывов по тональности
Анализ тональности англоязычных пользовательских отзывов
Ограничения
Модель обучена на отзывах IMDB и может хуже работать на других жанрах, языках и предметных областях. В карточке указана точность 0,89088 на оценочной выборке, но дополнительные оценки переноса не приведены.
Для каких профессий подходит3
Разделы каталога профессий, в задачах которых используется эта модель
This bert-base-uncased model was fine-tuned for sequence classification using TextAttack
and the imdb dataset loaded using the nlp library. The model was fine-tuned
for 5 epochs with a batch size of 16, a learning
rate of 2e-05, and a maximum sequence length of 128.
Since this was a classification task, the model was trained with a cross-entropy loss function.
The best score the model achieved on this task was 0.89088, as measured by the
eval set accuracy, found after 4 epochs.