一個基於 tohoku-nlp/bert-base-japanese-v3 的日本 NLI Cross‑Encoder,訓練於 JSNLI、JNLI 和 JSICK 數據集,輸出 entailment/neutral/contradiction 分數,在 JGLUE‑JNLI 驗證集上達到約 91.4 % 的準確率。
其他語言的說明
統計
統計資料截至 2026年11月16日
Hugging Face 下載數(近 30 天)
1,000
Hugging Face 按讚數
5
收錄日
2024年5月13日
研究領域相近的資源
- 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。共同: 情感分析與文本分類・BERT 等預訓練模型
- deberta-v2-base-japaneseizumi-lab3kDeBERTaV2 基礎模型在日本語語料庫(CC‑100、mC4、OSCAR2301、Wikipedia、Wikinews)上進行訓練,並採用 FP‑16 微調以應對 NLU 任務(JSTS、JNLI、JCommonsenseQA)。本模型以 CC BY‑SA 4.0 授權發佈,並獲得日本研究撥款資助。共同: BERT 等預訓練模型・問答與推理
BERT-Japan-vaccinationRamos-Ramos6「日本推文情緒分析與疫苗接種比較」官方微調程式碼GitHub共同: 情感分析與文本分類・BERT 等預訓練模型- bert-base-japanese-v2-wrime-fine-tunepatrickramos1k一個針對 WRIME 數據集微調的日本 BERT BASE 模型,為作者和讀者預測八種情感(喜悅、悲傷、期待、驚訝、憤怒、恐懼、厭惡、信任)的 0‑4 強度分數;代碼可用,訓練耗時 3 小時於 K80 上,對作者達到約 0.6 MSE,對讀者達到約 0.2 MSE。共同: 情感分析與文本分類・BERT 等預訓練模型
- 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。共同: 情感分析與文本分類・BERT 等預訓練模型
Japanese-BERT-Sentiment-Analyzerizuna3852使用FastAPI和BERT部署情感分析伺服器GitHub共同: 情感分析與文本分類・BERT 等預訓練模型