You can deploy this model and start earning money today!

yuyijiong/
T5-large-sentiment-analysis-Chinese

Name: T5-large-sentiment-analysis-Chinese
Rating: 2.5 (6 reviews)

transformers

pytorch

text2text-generation

Yaxin/SemEval2016Task5NLTK

text-generation-inference

endpoints_compatible

Views

No views yet

yuyijiong/Randeng-T5-large-sentiment-analysis-Chinese的改进版，解决过拟合问题
由IDEA-CCNL/Randeng-T5-784M-MultiTask-Chinese在多个中英文情感分析数据集上微调得到
输出格式为

'对象1 | 观点1 | 方面1 | 情感极性1 & 对象2 | 观点2 | 方面2 | 情感极性2 ......'

可以使用yuyijiong/quad_match_score评估指标进行评估

python

import evaluate
module = evaluate.load("yuyijiong/quad_match_score")
predictions=["food | good | food#taste | pos"]
references=["food | good | food#taste | pos & service | bad | service#general | neg"]
result=module.compute(predictions=predictions, references=references)
print(result)

支持以下情感分析任务

["四元组(对象 | 观点 | 方面 | 极性)",
'二元组(对象 | 观点)',
'三元组(对象 | 观点 | 方面)',
'三元组(对象 | 观点 | 极性)',
'三元组(对象 | 方面 | 极性)',
'二元组(方面 | 极性)',
'二元组(观点 | 极性)',
'单元素(极性)']

中文可以增加额外条件来控制答案的生成，例如：

答案风格控制，希望抽取的观点为整句话or缩减为几个词：
(观点尽量短)
(观点可以较长)

可以对指定的方面做情感分析： (方面选项:商品/物流/商家/平台)

情感对象target可能为null，表示文本中未明确给出可以允许模型自动猜测为null的对象： (补全null)

support the following sentiment analysis tasks

["quadruples (target | opinion | aspect | polarity)",
"quadruples (target | opinion | aspect | polarity)",
'pairs (target | opinion)',
'triples (target | opinion | aspect)',
'triples (target | opinion | polarity)',
'triples (target | aspect | polarity)',
'pairs (aspect | polarity)',
'pairs (target | polarity)',
'pairs (opinion | polarity)',
'single (polarity)']

使用方法： Usage

python

import torch
from transformers import T5Tokenizer, AutoModelForSeq2SeqLM

tokenizer = T5Tokenizer.from_pretrained("yuyijiong/T5-large-sentiment-analysis-Chinese")
model = AutoModelForSeq2SeqLM.from_pretrained("yuyijiong/T5-large-sentiment-analysis-Chinese", device_map="auto")
generation_config=GenerationConfig.from_pretrained("yuyijiong/T5-large-sentiment-analysis-Chinese")
text = '情感四元组(对象 | 观点 | 方面 | 极性)抽取任务(观点可以较长): [个头大、口感不错,就是个别坏了的或者有烂掉口子刻意用泥土封着,这样做不好。]'
input_ids = tokenizer(text,return_tensors="pt", padding=True)['input_ids'].cuda(0)
with torch.no_grad():
  output = model.generate(input_ids=input_ids,generation_config=generation_config)
output_str = tokenizer.batch_decode(output, skip_special_tokens=True)
print(output_str)

用法示例

Q:情感四元组(对象 | 观点 | 方面 | 极性)抽取任务(观点可以较长): [个头大、口感不错,就是个别坏了的或者有烂掉口子刻意用泥土封着,这样做不好。]
A:个头 | 大 | 商品#大小 | 积极 & 口感 | 不错 | 商品#口感 | 积极 & null | 个别坏了的或者有烂掉口子刻意用泥土封着,这样做不好 | 商品#新鲜程度 | 消极

Q:情感四元组(对象 | 观点 | 方面 | 极性)抽取任务(观点可以较长，补全null): [个头大、口感不错,就是个别坏了的或者有烂掉口子刻意用泥土封着,这样做不好。]
A:个头 | 大 | 商品#大小 | 积极 & 口感 | 不错 | 商品#口感 | 积极 & null (个别) | 有烂掉口子刻意用泥土封着,这样做不好 | 商品#新鲜程度 | 消极

Q:情感四元组(对象 | 观点 | 方面 | 极性)抽取任务(观点尽量短): [个头大、口感不错,就是个别坏了的或者有烂掉口子刻意用泥土封着,这样做不好。]
A:个头 | 大 | 商品#大小 | 积极 & 口感 | 不错 | 商品#口感 | 积极

Q:情感三元组(对象 | 观点 | 极性)抽取任务(观点可以较长，补全null): [个头大、口感不错,就是个别坏了的或者有烂掉口子刻意用泥土封着,这样做不好。]
A:个头 | 大 | 积极 & 口感 | 不错 | 积极 & null (花生) | 个别坏了的或者有烂掉口子刻意用泥土封着,这样做不好 | 消极

Q:判断以下评论的情感极性: [个头大、口感不错,就是个别坏了的或者有烂掉口子刻意用泥土封着,这样做不好。]
A:中性

Q:情感二元组(方面 | 极性)抽取任务(方面选项: 价格#性价比/价格#折扣/价格#水平/食品#外观/食物#分量/食物#味道/食物#推荐): [个头大、口感不错,就是个别坏了的或者有烂掉口子刻意用泥土封着,这样做不好。]
A:食物#分量 | 积极 & 食物#味道 | 中性

Q:sentiment quadruples (target | opinion | aspect | polarity) extraction task : [The hot dogs are good , yes , but the reason to get over here is the fantastic pork croquette sandwich , perfect on its supermarket squishy bun .]
A:hot dogs | good | food#quality | pos & pork croquette sandwich | fantastic | food#quality | pos & bun | perfect | food#quality | pos