Характеристики

Контекст: 514 токенов
Параметры: 95,2 млн
Лицензия: Apache 2.0
Архитектура: roberta · dense
Базовая модель: distilroberta-base
Опубликована: 3 мая 2024

Ссылки

Hugging Face

distilroberta-spam-comments-detection

valurank

Классификация текстаТекст → label3 профессии

Дообученная RoBERTa для классификации комментариев и выявления спама в текстовых сообщениях.

56скачиваний за 30 дней0лайковвеса обновлены30 июл 2024

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

valurank/distilroberta-spam-comments-detection — модель классификации текста, дообученная на базе distilroberta-base. Она предназначена для выявления спама в комментариях и других текстовых сообщениях. Модель содержит 95,2 млн параметров, использует архитектуру RoBERTa и принимает текстовые последовательности длиной до 514 токенов.

В README приведён результат F1 0,9992 на оценочном наборе, однако его состав и методика оценки не раскрыты, поэтому этот показатель не подтверждает качество на новых данных. Датасет обучения неизвестен. Модель опубликована в формате safetensors под лицензией Apache-2.0.

Сценарии применения

фильтрация спам-комментариев на сайте
модерация пользовательских сообщений
автоматическая маркировка спам-текста
первичная сортировка сообщений для модерации

Ограничения

Датасет обучения не раскрыт, а указанный F1 0,9992 нельзя оценить без сведений о составе и методике оценочного набора; качество на новых данных может отличаться. Контекст ограничен 514 токенами.

Для каких профессий подходит3

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

I.11Универсальные способностиКлассификация, ранжирование и сопоставлениеAI помогает распределять объекты по категориям, устанавливать соответствия и определять порядок обработки.15 задач26 736моделей 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 II.11Разработка и данныеКибербезопасность и приватностьAI помогает обнаруживать киберугрозы, защищать данные и помогать реагировать на инциденты.25 задач4 232модели

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

distilroberta-spam-classification

This model is a fine-tuned version of distilroberta-base on an unknown dataset. It achieves the following results on the evaluation set:

Loss: 0.5630
F1: 0.9992

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: 32
eval_batch_size: 32
seed: 12345
optimizer: Adam with betas=(0.9,0.999) and epsilon=1e-08
lr_scheduler_type: linear
lr_scheduler_warmup_steps: 16
num_epochs: 3
mixed_precision_training: Native AMP
label_smoothing_factor: 0.5

Training results

Training Loss	Epoch	Step	Validation Loss	F1
0.5645	1.0	161	0.5647	0.9977
0.5636	2.0	322	0.5629	0.9992
0.5635	3.0	483	0.5630	0.9992

Framework versions

Transformers 4.42.4
Pytorch 2.3.1+cu121
Datasets 2.20.0
Tokenizers 0.19.1

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: RobertaForSequenceClassification
Ревизия весов: ce9fc2b