from transformers import AutoTokenizer, AutoModelForSequenceClassification, pipeline

model_name = "IRI2070/tooka-bert-large-snappfood-sentiment"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name)

nlp = pipeline("text-classification", model=model, tokenizer=tokenizer)

text = "غذا خیلی خوشمزه بود و سریع رسید."
print(nlp(text))
# [{'label': 'HAPPY', 'score': 0.95}]

📌 کاربردهای مورد انتظار

وظیفه اصلی: تحلیل احساسات (طبقه‌بندی دودویی)
زبان: فارسی
دامنه: نظرات مربوط به سفارش غذا
کاربردها: تحلیل بازخورد مشتریان، سیستم‌های پیشنهاددهنده، پایش برند

⚠️ محدودیت‌ها و سوگیری‌ها

آموزش فقط بر روی نظرات اسنپ‌فود → ممکن است به سایر حوزه‌ها تعمیم‌پذیر نباشد.
احتمال سوگیری ناشی از توزیع دیتاست (مثلاً عدم توازن بین نظرات مثبت و منفی).

این پروژه بخشی از فعالیت‌های آموزشی و پژوهشی در آکادمی همراه اول است و با هدف ارتقای دانش در حوزه‌ی NLP و یادگیری عمیق منتشر شده است.

intai2070/tooka-bert-large-sentiment

مدل جانبی tooka-bert-large برای تحلیل احساسات

⚙️ روند آموزش

📈 نتایج ارزیابی

🚀 نحوه استفاده

📌 کاربردهای مورد انتظار

⚠️ محدودیت‌ها و سوگیری‌ها

intai2070/
tooka-bert-large-sentiment