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。
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)
1,000
Hugging Face 点赞数
2
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 | 6,000 |
| 2026年1月 | 4,000 |
| 2026年2月 | 4,000 |
| 2026年3月 | 3,000 |
| 2026年4月 | 3,000 |
| 2026年5月 | 5,000 |
| 2026年6月 | 4,000 |
| 2026年7月 | 3,000 |
| 2026年8月 | 3,000 |
| 2026年9月 | 4,000 |
| 2026年10月 | 2,000 |
| 2026年11月 | 1,000 |
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-finetuned-japanese-sentimentchristian-phu329k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。
- 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。
- 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
- 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
language-pretrainingretarfi50PyTorch实现的BERT和ELECTRA模型,适用于日语文本。GitHub共同: 表示学习・语言模型
bert-japanese-aozoraakirakubo41使用UniDic和SudachiPy进行预分词的日语BERT,训练数据来自青空文库和维基百科。GitHub共同: 表示学习・语言模型