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。
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
6
收錄日
2024年5月13日
下載數(近 30 天)變化
以表格顯示
| 月份 | 下載(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-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。
- 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-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
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
japanese_text_classificationMasao-Taketani9調查各種DNN文本分類器,包括MLP、CNN、RNN、BERT方法。GitHub共同: 情感分析與文本分類・BERT 等預訓練模型- bert-base-japanese-whole-word-maskingtohoku-nlp462kJapanese BERT‑base 預訓練於 2019 年日本維基百科,使用 IPA 字典與整詞掩碼,12 層、768 維,32,000 詞表,512 令牌序列,1 百萬步;可於 cl‑tohoku/bert‑japanese 在 CC‑BY‑SA 條款下取得。共同: BERT 等預訓練模型
- bert-base-japanese-char-v3tohoku-nlp130kJapanese‑language BERT‑Base(12層,768‑次元,12頭)以 Unidic 為基礎的單詞層級加字符層級標記化以及整詞遮蔽,在 CC‑100 和 2023 Wikipedia 上進行預訓練,產生了 7,027‑token 詞彙。共同: BERT 等預訓練模型
- deberta-v2-large-japanese-char-wwmku-nlp76kJapanese DeBERTa V2 大型模型已在 171 GB 的日語維基百科、CC‑100、與 OSCAR 上訓練,採用字符級 sentencepiece tokenization 與 whole‑word masking,已準備好通過 Hugging Face Transformers 進行下游微調。共同: BERT 等預訓練模型