Amazonの商品レビューに対して感情分類のためにFine‑tuned Japanese BERT (cl‑tohoku/bert‑base‑japanese‑v2) を使用し、6エポックで学習率 2 × 10⁻⁵ を設定した結果、約81 % の精度と0.73のF1スコアを達成しました。
他の言語の説明
統計
2026年11月16日時点の統計
Hugging Face のダウンロード数(直近30日)
329,000
Hugging Face の Like 数
16
掲載日
—
ページ作成時から掲載
ダウンロード数(直近30日)の推移
数値を表で見る
| 月 | DL(30日) |
|---|---|
| 2025年12月 | 2,000 |
| 2026年1月 | — |
| 2026年2月 | — |
| 2026年3月 | 239,000 |
| 2026年4月 | — |
| 2026年5月 | 4,000 |
| 2026年6月 | 7,000 |
| 2026年7月 | 24,000 |
| 2026年8月 | 4,000 |
| 2026年9月 | 97,000 |
| 2026年10月 | 221,000 |
| 2026年11月 | 329,000 |
各月の最後のスナップショットにおける、直近30日間のダウンロード数です。
同じカテゴリで人気のリソース
- bert-base-japanese-v2-wrime-fine-tunepatrickramos1k日本語版 BERT BASE を WRIME データセットでファインチューニングしたモデルは、作家と読者の 8 つの感情(喜び、悲しみ、期待、驚き、怒り、不安、嫌悪、信頼)に対して 0〜4 の強度スコアを予測し、コードは公開済みです。K80 GPU 上で 3 時間で訓練し、作家では約 0.6 MSE、読者では約 0.2 MSE を達成しました。
- bert-base-japanese-v3-jstsllm-book1k「Large Language Model Introduction」の第5章で紹介された、日本語 BERT‑based モデル。JGLUE JSTS データセットで意味的類似度スコアリングのためにファインチューニングされ、Colab ノートブック、transformers‑pipeline の使用方法、Apache 2.0 ライセンス付き。
- japanese-sentiment-analysisjarvisx174k日本語感情分析モデルは、chABSAデータセットで学習され、損失0.0001、精度1.0、F1スコア1.0を達成しました。Transformers 4.24.0およびPyTorch 1.12.1+cu113で構築され、Adam(学習率2e‑05、10エポック、バッチサイズ16)で最適化され、model(inputs)で評価されました。
研究分野が近いリソース
Japanese-BERT-Sentiment-Analyzerizuna3852FastAPIとBERTを使用して感情分析サーバーを展開するGitHub共通: 言語モデル・意味的テキスト処理
BERT-Japan-vaccinationRamos-Ramos6「日本のツイートの感情分析と日本のワクチン接種との比較」の公式微調整コードGitHub共通: 言語モデル・意味的テキスト処理- bert-large-japanese-v2tohoku-nlp66kJapanese‑BERT‑Large は CC‑100 と Wikipedia に対して訓練され、Unidic‑lite のワードレベルトークナイゼーションを使用し、WordPiece サブワードとホールワードマスクリングを採用しています(24 層、隠れ層 1024 次元、16 ヘッド、32k 語彙)。プリトレーニングコードは cl‑tohoku/bert‑japanese にあります。共通: 表現学習・言語モデル
- bert-base-japanese-v3tohoku-nlp66kJapanese BERT‑base(12層、768次元の隠れ層、12ヘッド、32k語彙)は、CC‑100と2023‑Jan Wikipediaで全単語マスキングを用いて事前学習され、Unidic 2.1.2の単語レベルトークナイゼーション+WordPieceを併用し、200万ステップで学習しました。共通: 表現学習・言語モデル
bert-japanesecl-tohoku551日本語テキスト用のBERTモデル。GitHub共通: 表現学習・言語モデル
Laboro-BERT-Japaneselaboroai73ラボロBERT日本語:Webコーパスで事前学習された日本語BERTGitHub共通: 表現学習・言語モデル