FinancialBERT para el Análisis de Sentimientos
FinancialBERT es un modelo BERT preentrenado en un gran corpus de textos financieros. El objetivo es mejorar la investigación y práctica del procesamiento del lenguaje natural (NLP) en el dominio financiero, con la esperanza de que los profesionales y investigadores financieros puedan beneficiarse de este modelo sin la necesidad de los recursos computacionales significativos requeridos para entrenar el modelo. El modelo fue afinado para la tarea de Análisis de Sentimientos en el conjunto de datos Financial PhraseBank. Los experimentos demuestran que este modelo supera al BERT general y a otros modelos específicos del dominio financiero. Para más detalles sobre el proceso de preentrenamiento de FinancialBERT, se puede consultar: https://www.researchgate.net/publication/358284785_FinancialBERT_-_A_Pretrained_Language_Model_for_Financial_Text_Mining
Como usar
El modelo se puede usar gracias a la pipeline de Transformers para el análisis de sentimientos.
from transformers import BertTokenizer, BertForSequenceClassification
from transformers import pipeline
model = BertForSequenceClassification.from_pretrained("ahmedrachid/FinancialBERT-Sentiment-Analysis", num_labels=3)
tokenizer = BertTokenizer.from_pretrained("ahmedrachid/FinancialBERT-Sentiment-Analysis")
nlp = pipeline("sentiment-analysis", model=model, tokenizer=tokenizer)
sentences = ["El beneficio operativo aumentó a EUR 13.1 mn desde EUR 8.7 mn en el periodo correspondiente de 2007, representando el 7.7 % de las ventas netas.", "Las ofertas deben incluir al menos 1,000 acciones y el valor de las acciones debe corresponder a al menos EUR 4,000.", "Raute reportó una pérdida por acción de EUR 0.86 para la primera mitad de 2009, frente a un EPS de EUR 0.74 en el periodo correspondiente de 2008."]
results = nlp(sentences)
print(results)
[{'label': 'positive', 'score': 0.9998133778572083}, {'label': 'neutral', 'score': 0.9997822642326355}, {'label': 'negative', 'score': 0.9877365231513977}]
Funcionalidades
- Clasificación de textos
- Transformers
- PyTorch
- Análisis de sentimientos financieros
Casos de uso
- Análisis de sentimientos en textos financieros
- Investigación en el dominio financiero
- Procesamiento de lenguaje natural financiero
- Aplicaciones de clasificación de textos financieros