
Python中的混合Unigram模型和无限混合Unigram模型。 (混合單詞模型和無限混合單詞模型在Python中。)
其他語言的說明
統計
統計資料截至 2026年11月17日
GitHub Star 數
6
±0 (10月13日〜)
最後提交
2017年6月
GitHub 建立日期
2016年1月5日
收錄日
2022年8月8日
Star 數變化
以表格顯示
| 月份 | Star |
|---|---|
| 2025年12月 | 6 |
| 2026年1月 | 6 |
| 2026年2月 | 6 |
| 2026年3月 | 6 |
| 2026年4月 | 6 |
| 2026年5月 | 6 |
| 2026年6月 | 6 |
| 2026年7月 | 6 |
| 2026年8月 | 6 |
| 2026年9月 | 6 |
| 2026年10月 | 6 |
| 2026年11月 | 6 |
各月最後一次快照。1,000 以上的 Star 數以 100 為單位四捨五入。
同分類的熱門資源
研究領域相近的資源
- japanese-sentiment-analysisjarvisx174k在 chABSA 數據集上訓練的日文情感分析模型,達到 loss 0.0001、accuracy 1.0、以及 F1 1.0。使用 Transformers 4.24.0 和 PyTorch 1.12.1+cu113 構建,使用 Adam 進行優化(learning rate 2e‑05,10 epochs,batch size 16),並通過 model(inputs) 評估。HF 模型共同: 情感分析與文本分類
sentiment_ja_jsotodn10使用JavaScript進行日語情感分析,sentiment_ja。共同: 情感分析與文本分類- bert-finetuned-japanese-sentimentchristian-phu329k在 Amazon 商品評論上微調日本 BERT(cl‑tohoku/bert‑base‑japanese‑v2)以進行情感分類,達到約 81% 的準確率與 0.73 的 F1 分數,在 6 個 epoch 之後,學習率為 2 × 10⁻⁵。HF 模型共同: 語言模型
- sentence-luke-japanese-base-litesonoisa10kJapanese Sentence‑LUKE 模型在與 Sentence‑BERT 相同的資料集上進行訓練,表現優於或相當於 Sentence‑BERT,基於 studio‑ousia/luke‑japanese‑base‑lite 建立,並透過 Hugging Face Transformers 的 MLukeTokenizer 與 LukeModel 使用。HF 模型共同: 句法文本處理・語言模型
- ELYZA-japanese-Llama-2-7b-instructelyza3kELYZA‑japanese‑Llama‑2‑7b 是 Meta 的 Llama‑2 模型的 6.27‑B 參數擴充,已在包含 instruct 與 fast 變體的日文資料上進行預訓練,可透過 Hugging Face Transformers 使用。HF 模型共同: 句法文本處理・語言模型
- bert-base-japanese-v3-jstsllm-book1k在《Large Language Model Introduction》第5章中介紹的日本 BERT‑based 模型,已於 JGLUE JSTS 資料集上進行微調,用於語義相似度評分。此模型包含 Colab notebooks、transformers‑pipeline 使用說明,以及 Apache 2.0 授權。HF 模型共同: 語言模型