Davide1999/setfit-absa-paraphrase-mpnet-base-v2-restaurants-aspect
Este es un modelo SetFit que se puede usar para el Análisis de Sentimientos Basado en Aspectos (ABSA). Este modelo SetFit utiliza sentence-transformers/paraphrase-mpnet-base-v2 como el modelo de incrustación de Sentence Transformer. Se utiliza una instancia de LogisticRegression para la clasificación. En particular, este modelo se encarga de filtrar los candidatos de span de aspecto. El modelo ha sido entrenado utilizando una técnica eficiente de aprendizaje de pocos disparos que implica: - Ajuste fino de un Sentence Transformer con aprendizaje contrastivo. - Entrenamiento de una cabeza de clasificación con características del Sentence Transformer ajustado.
Como usar
Para usar este modelo, primero instala la biblioteca SetFit:
pip install setfit
Luego puedes cargar este modelo y ejecutar la inferencia:
from setfit import AbsaModel
# Descargar del Hub de 🤗
model = AbsaModel.from_pretrained(
"Davide1999/setfit-absa-paraphrase-mpnet-base-v2-restaurants-aspect",
"Davide1999/setfit-absa-paraphrase-mpnet-base-v2-restaurants-polarity",
)
# Ejecutar inferencia
preds = model("The food was great, but the venue is just way too busy.")
Funcionalidades
- Modelo SetFit
- Cuerpo de Sentence Transformer: sentence-transformers/paraphrase-mpnet-base-v2
- Cabeza de clasificación: una instancia de LogisticRegression
- Modelo spaCy: en_core_web_lg
- Modelo de Aspecto SetFitABSA: Davide1999/setfit-absa-paraphrase-mpnet-base-v2-restaurants-aspect
- Modelo de Polaridad SetFitABSA: Davide1999/setfit-absa-paraphrase-mpnet-base-v2-restaurants-polarity
- Longitud máxima de secuencia: 512 tokens
- Número de clases: 2 clases
Casos de uso
- Filtrar candidatos de span de aspecto
- Clasificación de span de aspecto filtrados
- Uso directo para inferencia