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。
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)
4,000
Hugging Face 按讚數
15
收錄日
—
自頁面建立時收錄
下載數(近 30 天)變化
以表格顯示
| 月份 | 下載(30天) |
|---|---|
| 2025年12月 | 12,000 |
| 2026年1月 | 11,000 |
| 2026年2月 | 11,000 |
| 2026年3月 | 11,000 |
| 2026年4月 | 10,000 |
| 2026年5月 | 17,000 |
| 2026年6月 | 2,000 |
| 2026年7月 | 2,000 |
| 2026年8月 | 2,000 |
| 2026年9月 | 3,000 |
| 2026年10月 | 3,000 |
| 2026年11月 | 4,000 |
各月最後一次快照時的近 30 天下載數。
同分類的熱門資源
- 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。
- 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。
- 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。
研究領域相近的資源
asariHironsan153使用Python實現的日語情感分析器。GitHub共同: 情感分析
sentiment_ja_jsotodn10使用JavaScript進行日語情感分析,sentiment_ja。GitHub共同: 情感分析
kotobacoreekiyo551日本語語義理解引擎,用於LLM、RAG、SNS分析和AI代理人?無依賴的分詞器+普魯奇克情感+意圖+RAG關鍵詞。GitHub共同: 情感分析
pymlaskikegami-yukino119日文文本情感分析器GitHub共同: 情感分析- wrime-sentimentllm-book141一個從日本 WRIME 語料庫衍生出的二元情感資料集,將 Avg.Readers_Sentiment > 0 的樣本標記為正面、< 0 標記為負面(可選擇去除中立),用於書籍範例程式碼中的大型語言模型示例。HF 資料集共同: 情感分析
chABSA-datasetchakki-works143翻譯:chakki的基於方面的情感分析數據集GitHub共同: 情感分析