You can deploy this model and start earning money today!

akhooli/
setfit_ar_100k_reviews

Name: setfit_ar_100k_reviews
Availability: InStock

setfit

safetensors

bert

sentence-transformers

text-classification

generated_from_setfit_trainer

2209.11055

akhooli/sbert_ar_nli_500k_norm

finetune

model-index

Views

No views yet

SetFit with akhooli/sbert_ar_nli_500k_norm

This is a SetFit model that can be used for Text Classification. This SetFit model uses akhooli/sbert_ar_nli_500k_norm as the Sentence Transformer embedding model. A LogisticRegression instance is used for classification. It was trained on akhooli/ar_reviews_100k_3 dataset (4500 samples, as few shot) with 68.7% accuracy. There are 3 labels in the dataset: 0: negative, 1:positive, 2:mixed/neutral. Normalize the text before classifying as the model uses normalized text. Here's how to use the model:

python

pip install setfit
from setfit import SetFitModel
from unicodedata import normalize

# Download model from Hub
model = SetFitModel.from_pretrained("akhooli/setfit_ar_100k_reviews")
# Run inference
queries = [
        "يغلي الماء عند 100 درجة مئوية",
        "فعلا لقد أحببت ذلك الفيلم",
        "🤮 اﻷناناس مع البيتزا؟ إنه غير محبذ",
    "رأيت أناسا بائسين في الطريق",
    "لم يعجبني المطعم رغم أن السعر مقبول",  
    "من باب جبر الخاطر هذه 3 نجوم لتقييم الخدمة",
    "من باب جبر الخواطر، هذه نجمة واحدة لخدمة ﻻ تستحق"
    ]
queries_n = [normalize('NFKC', query) for query in queries]
preds = model.predict(queries_n)
print(preds)
# if you want to see the probabilities for each label
probas = model.predict_proba(queries_n)
print(probas)

The rest of this model card is auto generated.

The model has been trained using an efficient few-shot learning technique that involves:

Fine-tuning a Sentence Transformer with contrastive learning.
Training a classification head with features from the fine-tuned Sentence Transformer.

Model Details

Model Description

Model Type: SetFit
Sentence Transformer body: akhooli/sbert_ar_nli_500k_norm
Classification head: a LogisticRegression instance
Maximum Sequence Length: 512 tokens
Number of Classes: 3 classes

Model Sources

Repository: SetFit on GitHub
Paper: Efficient Few-Shot Learning Without Prompts
Blogpost: SetFit: Efficient Few-Shot Learning Without Prompts

Model Labels

Label	Examples
Negative	'الكتاب شبيه بكتب التنمية البشرية اللى بتنفخنى ما استفدتش أى حاجة من اللى قرأته ومابذلتش ولاهبذل مجهود أقرأ الباقى..الملخص الكتاب أزال كل حماس جوايا تجاهه بعد عده صفحات من الاخر فقعنى' 'اختيار سئ للفندق موظفو الاستقبال معاملتهم سيئة للغايه ،وقت تسليم الغرف سئ نصف ساعه تقريبا لتسليم الغرفه ودائما يوجد موظف استقبال واحد فقط ، وعند طلب اي خدمه لاتلبي سريعا ، وعندما اردنا السفر وتسليم الغرف ارادت الموظفة الفلبينيه اخذ مبلغ الف وخمسمائة درهم منا بالزياده ولولا الايميل الذي قمنا بالحجز ولدينا صوره منه كانت حقوقنا ضاعت لديهم حيث انها قالت لي انك لم تدفعي ثمن غرفتين حسبتهم بالزياده علي بثمانمائه وعشره درهم وهي بالنت باربعمائة درهم فقط وكانت منتهي قلة الادب اثناء الحديث معنا فلا انصح بهذا الفندق' 'لم يعجبني الزخم الهائل من التشبيه والوصف والتعليق على الأحداث ، ربما الحزن كان الطابع العام ولكن لا يبرر هذا الإستخدام المبالغ فيه للتشبيهات الأدبية ، تسلسل الأحداث تضرر بسبب ماسبق ووجدتني أتوقف بعد المنتصف مقررا أنها خيار سئ ، لي على الأقل'
Mixed	'في لحظة ما من الرواية، خيل إلي أن رضوى عاشور رحمها الله إنما تكتب سيرتها الذاتية. للحظة فاتني أن الواقع كان معاكسا لأحداث الرواية و أنها في الدنيا كانت فتاة مصرية جاء فلسطيني لخطبتها. رحم الله فقيدة الأدب العربي، كانت متقنة في صنعتها و فنها حد التماهي.. و لو أنها زوجة شاعر الفلسطيني و أم لشاعر فلسطيني، إلا أن ذلك لا ينقص شيئا من العمل الجميل و الدقيق الذي حملته طيات الكتاب. لن أقارن ذلك بثلاثيتها العبقرية الخالدة، لكن الفضاء التاريخي القديم يتيح مساحة أكبر للخيال من الفضاء القريب، حيث سيجزم ألف قارئ قريب من الأحداث زمنيا أن هذا الحدث أو ذاك الموقف غير ممكنين.. التشكيل ممتع جدا و بسيط مع رضوى، و لا يحتاج تخيل شخصياتها مجهودا ضخما، كأنها قدت من غرائز البشر الخام و طبائعها. لا أثر في هذا الكتاب للتصنع. لا في مضمونه و لا أيضا في شكله، شكل الفضفضة المرتبكة التي خالجت امرأة لم تجرب الكتابة يوما لكنها على قدر لا بأس به من الثقافة. ربما لو تجاوزت الكاتبة فكرة قصتين فحسب لبدا الأمر أكثر اتقانا.. الكتاب لا يعج بالأحداث العظيمة و في أغلب فتراته يغيب التشويق و تغيب الرواية و يبدو لك أن تقرأ شيئا ما ليس له منتهى. كما أن ما كتب عن أهم الأحداث أعني صبرا و شاتيلا و جاد و المدرسة و بداية الحرب الأهلية لم يرق الى الشهادة الفريدة، و لن تجد فيه تفاصيل الأدب اضافاته التي يمتاز بها عن التوثيق التاريخي المجرد. بينما حاولت الكاتبة تدارك ذلك مع الأحداث التي تمس بالأعلام الفلسطينية مثل الصائغ و غسان كنفاني و ناجي العلي. حيث أوجدت علاقة ما بهم و شخصيات الرواية في طريقة تقرب قليلا من ذلك الذي نعرفه في . و هو ربط جميل جعل من رقية هنا مثيلة لبطلة صنع الله إبراهيم ذات التي ارتبطت حياتها بشكل أو بآخر بتاريخ مصر الحديث. الطنطورية من هذا المنطلق هي الطنطورة نفسها، شظية من شظاياها حوكت على بلدان العرب و حكت لهم قصة اغتصابها و قصة مقاومتها. غير أن المحاولة كما ذكرت، ظلت خفيفة بسيطة، لا تشق في طلب المعنى الفريد أو الخفي، و إنما تعيد ما قيل، و تكرر ما في الأذهان.. الطنطورية إذا، متعة في القراءة، ألم في المعنى. ليس ذلك الألم الذي نخافه، و نحاول تجنبه، و إنما ذلك الألم الذي لا بد منه، هو ألم التذكر، حتى لا نضيع و لا نفقد الطريق على خارطة الزمن. إنه ذلك الألم الذي علينا أن نحمله أبناءنا، إن عن لنا أن نستمر، و أن نحيا.' 'الصور غير الواقع . طاقم العمل جيد في الاستقبال والتعامل. الفندق يحتاج لصيانة جدران الغرف و الأرضيات' 'يحتاج الى الاهتمام اكثر . لا شيء. لا يوجد موقف للسيارات خدمة الواي فاي ليست مجانية والتكييف في بعض الغرف غير جيد خدمات ووسائل التنظيف ضعيفة وغيرها من الاشياء'
Positive	'كتاب وجداني ماتع يعرج بك المؤلف فى عالم الروح معراجا لا توصفه عبارات ولا تحده اشارات ومع ذلك امتاع ادبي راقي' 'رااااااائعة بحق. اسلوب شيق اللهم بارك. وتعبيرات لغوية وجمالية بإسلوب شيق جديد مبتكر. بجد أبدع الدكتور فيها. واجمل ما فيها مفهومها للأشياء الي غير ف نظرتي لأشياء كتييييييييييير بطريقة كويسة جدا' 'اقامة ممتازة . النظافة والقرب من الحرم. الثلاجة عطلانة'

Evaluation

Metrics

Label	Accuracy
all	0.6874

Uses

Direct Use for Inference

First install the SetFit library:

pip install setfit

Then you can load this model and run inference.

python

from setfit import SetFitModel

# Download from the 🤗 Hub
model = SetFitModel.from_pretrained("akhooli/setfit_ar_100k_reviews")
# Run inference
preds = model("المرأة الخارقة")

Training Details

Training Set Metrics

Training set	Min	Median	Max
Word count	1	53.0251	1598

Label	Training Sample Count
Negative	1500
Positive	1500
Mixed	1500

Training Hyperparameters

batch_size: (16, 16)
num_epochs: (1, 1)
max_steps: 5000
sampling_strategy: undersampling
body_learning_rate: (2e-05, 1e-05)
head_learning_rate: 0.01
loss: CosineSimilarityLoss
distance_metric: cosine_distance
margin: 0.25
end_to_end: False
use_amp: False
warmup_proportion: 0.1
l2_weight: 0.01
seed: 42
run_name: setfit_reviews_7.5k
eval_max_steps: -1
load_best_model_at_end: False

Training Results

Epoch	Step	Training Loss	Validation Loss
0.0004	1	0.3397	-
0.04	100	0.2846	-
0.08	200	0.2523	-
0.12	300	0.2248	-
0.16	400	0.2089	-
0.2	500	0.1947	-
0.24	600	0.182	-
0.28	700	0.1614	-
0.32	800	0.1493	-
0.36	900	0.139	-
0.4	1000	0.1128	-
0.44	1100	0.1056	-
0.48	1200	0.0896	-
0.52	1300	0.0748	-
0.56	1400	0.0616	-
0.6	1500	0.0585	-
0.64	1600	0.048	-
0.68	1700	0.0422	-
0.72	1800	0.0371	-
0.76	1900	0.0306	-
0.8	2000	0.028	-
0.84	2100	0.0236	-
0.88	2200	0.0211	-
0.92	2300	0.0173	-
0.96	2400	0.0175	-
1.0	2500	0.0158	-
1.04	2600	0.0153	-
1.08	2700	0.0195	-
1.12	2800	0.0141	-
1.16	2900	0.0113	-
1.2	3000	0.0084	-
1.24	3100	0.0073	-
1.28	3200	0.0073	-
1.32	3300	0.007	-
1.3600	3400	0.0075	-
1.4	3500	0.0068	-
1.44	3600	0.0038	-
1.48	3700	0.0028	-
1.52	3800	0.0031	-
1.56	3900	0.0056	-
1.6	4000	0.0059	-
1.6400	4100	0.0022	-
1.6800	4200	0.0052	-
1.72	4300	0.004	-
1.76	4400	0.004	-
1.8	4500	0.0047	-
1.8400	4600	0.0027	-
1.88	4700	0.0036	-
1.92	4800	0.0039	-
1.96	4900	0.004	-
2.0	5000	0.0048	-

Framework Versions

Python: 3.10.14
SetFit: 1.2.0.dev0
Sentence Transformers: 3.1.1
Transformers: 4.45.1
PyTorch: 2.4.0
Datasets: 3.0.1
Tokenizers: 0.20.0

Citation

BibTeX

bibtex

@article{https://doi.org/10.48550/arxiv.2209.11055,
    doi = {10.48550/ARXIV.2209.11055},
    url = {https://arxiv.org/abs/2209.11055},
    author = {Tunstall, Lewis and Reimers, Nils and Jo, Unso Eun Seo and Bates, Luke and Korat, Daniel and Wasserblat, Moshe and Pereg, Oren},
    keywords = {Computation and Language (cs.CL), FOS: Computer and information sciences, FOS: Computer and information sciences},
    title = {Efficient Few-Shot Learning Without Prompts},
    publisher = {arXiv},
    year = {2022},
    copyright = {Creative Commons Attribution 4.0 International}
}