在亚马逊产品评论上对日语 BERT (cl‑tohoku/bert‑base‑japanese‑v2) 进行微调,用于情感分类,经过6个周期,学习率为2 × 10⁻⁵,达到约81 %准确率和0.73 F1。
其他语言的说明
统计
统计数据截至 2026年11月16日
Hugging Face 下载数(近 30 天)
329,000
Hugging Face 点赞数
16
收录日
—
自页面创建时收录
下载数(近 30 天)变化
以表格显示
| 月份 | 下载(30天) |
|---|---|
| 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 |
各月最后一次快照时的近 30 天下载数。
同分类的热门资源
- bert-base-japanese-v2-wrime-fine-tunepatrickramos1k一款在 WRIME 数据集上微调的日语 BERT BASE 可为作家和读者预测八种情绪(喜悦、悲伤、期待、惊讶、愤怒、恐惧、厌恶、信任)的 0‑4 强度得分,代码已公开,在 K80 上训练耗时 3 小时,作家的均方误差约为 0.6,读者约为 0.2。
- bert-base-japanese-v3-jstsllm-book1k一个基于 Japanese BERT‑based model 的模型,已在 JGLUE JSTS 数据集上 fine‑tuned,用于语义相似性评分——在《Large Language Model Introduction》第5章中介绍——配有 Colab notebooks、transformers‑pipeline 用法以及 Apache 2.0 许可证。
- japanese-sentiment-analysisjarvisx174k训练于 chABSA 数据集的日语情感分析模型,获得 loss 0.0001、accuracy 1.0、F1 1.0,由 Transformers 4.24.0 和 PyTorch 1.12.1+cu113 构建,使用 Adam(learning rate 2e‑05、10 epochs、batch size 16)优化,并通过 model(inputs) 进行评估。
研究领域相近的资源
Japanese-BERT-Sentiment-Analyzerizuna3852使用FastAPI和BERT部署情感分析服务器GitHub共同: 语言模型・语义文本处理
BERT-Japan-vaccinationRamos-Ramos6“日本推文情感分析与疫苗接种比较”的官方微调代码。GitHub共同: 语言模型・语义文本处理- bert-large-japanese-v2tohoku-nlp66kJapanese‑BERT‑Large 在 CC‑100 和 Wikipedia 上训练,使用 Unidic‑lite 单词级标记化配合 WordPiece 子词和全词掩码(24 层,1024 维隐藏层,16 头,32k 词表),预训练代码在 cl‑tohoku/bert‑japanese。共同: 表示学习・语言模型
- bert-base-japanese-v3tohoku-nlp66kJapanese BERT‑base(12层,768维隐藏层,12头,32 k词汇表)在 CC‑100 和 2023‑Jan Wikipedia 上使用全词遮蔽预训练,采用 Unidic 2.1.2 词级分词加 WordPiece,训练 200 万步。共同: 表示学习・语言模型
bert-japanesecl-tohoku551用于日语文本的BERT模型。GitHub共同: 表示学习・语言模型
Laboro-BERT-Japaneselaboroai73劳动BERT日语:使用Web语料库预训练的日语BERTGitHub共同: 表示学习・语言模型