推荐一个基于百度SKEP的情绪分析系统!

  • 3,009 views
  • 阅读模式
推荐一个基于百度SKEP的情绪分析系统!
基于百度SKEP的情绪分析系统

IT老五:情感分析是一个优秀社交系统中必不可少的模块,老五最近在Github上看到一款百度开源基于SKEP的情感预训练代码和中英情感预训练模型。而且,为了进一步降低用户的使用门槛,百度在SKEP开源项目中集成了面向产业化的一键式情感分析预测工具。用户只需要几行代码即可实现基于SKEP的情感预训练以及模型预测功能。

简介

情感分析旨在自动识别和提取文本中的倾向、立场、评价、观点等主观信息。它包含各式各样的任务,比如句子级情感分类、评价对象级情感分类、观点抽取、情绪分类等。情感分析是人工智能的重要研究方向,具有很高的学术价值。同时,情感分析在消费决策、舆情分析、个性化推荐等领域均有重要的应用,具有很高的商业价值。

近日,百度正式发布情感预训练模型SKEP(Sentiment Knowledge Enhanced Pre-training for Sentiment Analysis)。SKEP利用情感知识增强预训练模型, 在14项中英情感分析典型任务上全面超越SOTA,此工作已经被ACL 2020录用。

论文地址:https://arxiv.org/abs/2005.05635

为了方便研发人员和商业合作伙伴共享效果领先的情感分析技术,本次百度在Senta开源了基于SKEP的情感预训练代码和中英情感预训练模型。而且,为了进一步降低用户的使用门槛,百度在SKEP开源项目中集成了面向产业化的一键式情感分析预测工具。用户只需要几行代码即可实现基于SKEP的情感预训练以及模型预测功能。

SKEP

SKEP是百度研究团队提出的基于情感知识增强的情感预训练算法,此算法采用无监督方法自动挖掘情感知识,然后利用情感知识构建预训练目标,从而让机器学会理解情感语义。SKEP为各类情感分析任务提供统一且强大的情感语义表示。

百度研究团队在三个典型情感分析任务,句子级情感分类(Sentence-level Sentiment Classification),评价对象级情感分类(Aspect-level Sentiment Classification)、观点抽取(Opinion Role Labeling),共计14个中英文数据上进一步验证了情感预训练模型SKEP的效果。实验表明,以通用预训练模型ERNIE(内部版本)作为初始化,SKEP相比ERNIE平均提升约1.2%,并且较原SOTA平均提升约2%,具体效果如下表:

任务数据集合语言指标原SOTASKEP
句子级情感
分类
SST-2英文ACC97.5097.60
Amazon-2英文ACC97.3797.61
ChnSentiCorp中文ACC95.8096.50
NLPCC2014-SC中文ACC78.7283.53
评价对象级的
情感分类
Sem-L英文ACC81.3581.62
Sem-R英文ACC87.8988.36
AI-challenge中文F172.8772.90
SE-ABSA16_PHNS中文ACC79.5882.91
SE-ABSA16_CAME中文ACC87.1190.06
观点
抽取
MPQA-H英文b-F1/p-F183.67/77.1286.32/81.11
MPQA-T英文b-F1/p-F181.59/73.1683.67/77.53
COTE_BD中文F182.1784.50
COTE_MFW中文F186.1887.90
COTE_DP中文F184.3386.30

代码结构

 .
├── README.md
├── requirements.txt
├── senta                    # senta核心代码,包括模型、输出reader、分词方法等
├── script                   # 情感分析各任务入口启动脚本,通过调用配置文件完成模型的训练和预测
├── config                   # 任务配置文件目录,在配置文件中设定模型的方法、超参数、数据等

项目地址

github地址:https://github.com/baidu/Senta.git

weinxin
扫码关注微信公众号--IT老五
微信扫一扫关注公众号,获取更多实用app,订阅地址不定时更新
IT老五
  • 本文由 发表于 2020-07-20 11:10:04
  • 转载请务必保留本文链接:https://itlao5.com/3595.html
评论  1  访客  1
    • 匿名网友
      匿名网友 1

      发表评论

    匿名

    发表评论

    匿名网友 填写信息

    :?: :razz: :sad: :evil: :!: :smile: :oops: :grin: :eek: :shock: :???: :cool: :lol: :mad: :twisted: :roll: :wink: :idea: :arrow: :neutral: :cry: :mrgreen:

    确定