french_emotion_camembert
astrosbd
Clasificación de texto
Este modelo, french_emotion_camembert, es una versión ajustada del modelo transformer camembert-base, adaptado específicamente para la clasificación de emociones en texto en francés. El modelo original camembert-base, que fue entrenado extensivamente en una amplia gama de textos franceses del conjunto de datos Allociné, ha sido reutilizado y entrenado adicionalmente en un conjunto de datos enriquecido para capturar un espectro de respuestas emocionales.
Como usar
Aquí tienes un fragmento de código en Python que demuestra cómo usar este modelo:
from transformers import AutoModelForSequenceClassification, AutoTokenizer
model_name = "tu_usuario_huggingface/french_emotion_camembert"
tokenizer = AutoTokenizer.from_pretrained(model_answer)
model = AutoModelForSequenceClassification.from_pretrained(model_name)
text = "Je suis très heureux de votre service rapide et efficace."
inputs = tokenizer(text, return_tensors="pt", padding=True, truncation=True, max_length=512)
outputs = model(**inputs)
prediction = torch.nn.functional.softmax(outputs.logits, dim=-1)
predicted_emotion = prediction.argmax().item()
print("Predicted emotion:", predicted_emotion)
El modelo es adecuado para desarrolladores, científicos de datos o investigadores que trabajen en tareas de procesamiento de lenguaje natural que requieran detección de emociones en texto en francés.
Funcionalidades
- Arquitectura basada en CamemBERT, una variante de BERT adaptada para texto en francés
- Optimizado para la clasificación de emociones en textos en francés
- Entrenado en un conjunto de datos personalizado de reseñas en francés etiquetadas con emociones
- Utiliza los transformadores y el tokenizador por defecto de CamemBERT
Casos de uso
- Análisis de sentimiento: Analizar la retroalimentación de los clientes, las reseñas de usuarios o cualquier forma de contenido generado por usuarios para determinar los tonos emocionales predominantes.
- Moderación de contenido: Ayuda en la moderación de texto para marcar contenido potencialmente dañino basado en el tono emocional.
- Investigación de mercado: Comprender los sentimientos de los consumidores en diferentes segmentos del mercado analizando publicaciones en redes sociales, comentarios o discusiones.
- Interacción hombre-computadora: Mejorar las interfaces de usuario que se adaptan dinámicamente basándose en el contexto emocional de las entradas del usuario.