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。
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
2
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 | 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。
- 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。
研究領域相近的資源
- bert-large-japanese-v2tohoku-nlp66kJapanese‑BERT‑Large 在 CC‑100 和 Wikipedia 上訓練,使用 Unidic‑lite 詞級分詞,結合 WordPiece 子詞與全詞遮蔽,模型為 24 層、1024 維隱藏、16 頭、32k 詞表;預訓練程式碼位於 cl‑tohoku/bert‑japanese。共同: 表示學習・語言模型
- bert-base-japanese-v3tohoku-nlp66kJapanese BERT‑base (12 層, 768‑維度隱藏, 12 頭, 32k 詞彙) 以完整詞遮蔽在 CC‑100 與 2023‑Jan Wikipedia 上預訓練,使用 Unidic 2.1.2 詞級分詞加 WordPiece,訓練 200 萬步。共同: 表示學習・語言模型
bert-japanesecl-tohoku551日文文本的BERT模型。GitHub共同: 表示學習・語言模型
Laboro-BERT-Japaneselaboroai73Laboro BERT 日語:使用 Web-Corpus 預訓練的日語 BERTGitHub共同: 表示學習・語言模型
language-pretrainingretarfi50PyTorch 實現的 BERT 和 ELECTRA 模型,適用於日文文本。GitHub共同: 表示學習・語言模型
bert-japanese-aozoraakirakubo41使用UniDic和SudachiPy預先分詞,並在青空文庫和維基百科上訓練的日語BERT。GitHub共同: 表示學習・語言模型