Ndi2020/j-hartmannemotion-english-distilroberta-base

license: apache-2.0

license: apache-2.0

Emotion English DistilRoBERTa-base

简介 ℹ

使用此模型，您可以对英文文本数据进行情感分类。该模型在6个不同的数据集上进行了训练（参见下文附录），并预测Ekman的6种基本情感，加上一个中性类别：

1. anger（愤怒）🤬
2. disgust（厌恶）🤢
3. fear（恐惧）😨
4. joy（喜悦）😀
5. neutral（中性）😐
6. sadness（悲伤）😭
7. surprise（惊讶）😲

该模型是 DistilRoBERTa-base 的微调版本。如需"非蒸馏"的情感模型，请参考 RoBERTa-large 版本的模型卡片。

应用 🚀

a) 在 Google Colab 上使用 Hugging Face 的 pipeline 命令，用3行代码对单个文本示例运行情感模型：

from transformers import pipeline
classifier = pipeline("text-classification", model="j-hartmann/emotion-english-distilroberta-base", return_all_scores=True)
classifier("I love this!")

输出:
[[{'label': 'anger', 'score': 0.004419783595949411},
  {'label': 'disgust', 'score': 0.0016119900392368436},
  {'label': 'fear', 'score': 0.0004138521908316761},
  {'label': 'joy', 'score': 0.9771687984466553},
  {'label': 'neutral', 'score': 0.005764586851000786},
  {'label': 'sadness', 'score': 0.002092392183840275},
  {'label': 'surprise', 'score': 0.008528684265911579}]]

b) 在 Google Colab 上对多个示例和完整数据集（如 .csv 文件）运行情感模型：

联系方式 💻

如果您有任何问题或反馈，请联系 jochen.hartmann@tum.de。

感谢 Samuel Domdey 和 chrsiebert 的支持，使该模型得以发布。

参考文献 ✅

如果您使用此模型，请引用以下参考文献进行署名。工作论文即将发布。

Jochen Hartmann, "Emotion English DistilRoBERTa-base". https://huggingface.co/j-hartmann/emotion-english-distilroberta-base/, 2022.

BibTex 引用：

@misc{hartmann2022emotionenglish,
  author={Hartmann, Jochen},
  title={Emotion English DistilRoBERTa-base},
  year={2022},
  howpublished = {\url{https://huggingface.co/j-hartmann/emotion-english-distilroberta-base/}},
}

附录 📚

以下是用于训练的数据集概述。所有数据集均包含英文文本。该表总结了每个数据集中可用的情感类型。这些数据集代表了多样化的文本类型集合，具体包括来自 Twitter、Reddit、学生自我报告和电视剧对话的情感标签文本。由于 MELD（Multimodal EmotionLines Dataset）扩展了流行的 EmotionLines 数据集，因此此处不包含 EmotionLines 本身。

该模型在上述数据集的平衡子集上进行训练（每种情感2,811个观测值，即总共近20,000个观测值）。该平衡子集的80%用于训练，20%用于评估。评估准确率为66%（相比之下，随机基线为1/7 = 14%）。

学术应用 📖

以下是使用"Emotion English DistilRoBERTa-base"的论文列表。如果您希望将您的论文添加到列表中，请给我发送电子邮件。

• Butt, S., Sharma, S., Sharma, R., Sidorov, G., & Gelbukh, A. (2022). What goes on inside rumour and non-rumour tweets and their reactions: A Psycholinguistic Analyses. Computers in Human Behavior, 107345.
• Kuang, Z., Zong, S., Zhang, J., Chen, J., & Liu, H. (2022). Music-to-Text Synaesthesia: Generating Descriptive Text from Music Recordings. arXiv preprint arXiv:2210.00434.
• Rozado, D., Hughes, R., & Halberstadt, J. (2022). Longitudinal analysis of sentiment and emotion in news media headlines using automated labelling with Transformer language models. Plos one, 17(10), e0276367.