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。
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
6
收录日
2024年5月13日
下载数(近 30 天)变化
以表格显示
| 月份 | 下载(30天) |
|---|---|
| 2025年12月 | 1,000 |
| 2026年1月 | — |
| 2026年2月 | — |
| 2026年3月 | 1,000 |
| 2026年4月 | 1,000 |
| 2026年5月 | 8,000 |
| 2026年6月 | — |
| 2026年7月 | 4,000 |
| 2026年8月 | 55,000 |
| 2026年9月 | 28,000 |
| 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-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
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: 情感分析与文本分类・BERT 等预训练模型
Japanese-BERT-Sentiment-Analyzerizuna3852使用FastAPI和BERT部署情感分析服务器GitHub共同: 情感分析与文本分类・BERT 等预训练模型
japanese_text_classificationMasao-Taketani9调查各种DNN文本分类器,包括MLP、CNN、RNN、BERT方法。GitHub共同: 情感分析与文本分类・BERT 等预训练模型- bert-base-japanese-whole-word-maskingtohoku-nlp462kJapanese BERT‑base 在 2019 年日本维基百科上预训练,使用 IPA‑dictionary 与全词掩码,12 层 768 维,32,000 词表,512 标记序列,1 M 步骤,可在 cl‑tohoku/bert‑japanese 获取,遵循 CC‑BY‑SA 许可。共同: BERT 等预训练模型
- bert-base-japanese-char-v3tohoku-nlp130k日本语言 BERT‑Base(12 层,768 维,12 头)使用 Unidic 基于词级加字符级分词和全词掩码在 CC‑100 及 2023 Wikipedia 上进行预训练,产生 7,027 名词表。共同: BERT 等预训练模型
- deberta-v2-large-japanese-char-wwmku-nlp76k日语 DeBERTa V2 大型模型,已在 171 GB 的日语 Wikipedia、CC‑100 与 OSCAR 上训练,使用字符级 SentencePiece 分词和全词掩码,已准备好通过 Hugging Face Transformers 进行下游微调。共同: BERT 等预训练模型