SeanD103/Longformer_para_análisis_de_sentimientos_financieros
SeanD103
Clasificación de texto
El modelo Longformer_para_análisis_de_sentimientos_financieros es una versión afinada del Longformer por Allen AI, afinado para el análisis de sentimientos de textos financieros. El proceso de afinación utilizó el conjunto de datos Financial PhraseBank, una colección de frases de noticias financieras anotadas con sentimientos. Este modelo está diseñado para clasificar el sentimiento de textos financieros, tales como artículos de noticias, informes de ganancias y estados financieros. Utilizando la capacidad del Longformer para manejar documentos largos de manera eficiente, este modelo puede procesar textos extensos de hasta 4096 tokens, lo que lo hace adecuado para textos financieros más largos.
Como usar
from transformers import AutoTokenizer, AutoModelForSequenceClassification
# Cargar el tokenizador y el modelo
ruta_del_modelo = 'SeanD103/Longformer_for_financial_sentiment_analysis'
tokenizador = AutoTokenizer.from_pretrained(ruta_del_modelo)
modelo = AutoModelForSequenceClassification.from_pretrained(ruta_del_modelo)
# Ejemplo de entrada
texto_de_ejemplo = 'Las ganancias trimestrales de la compañía superaron las expectativas, lo que llevó a un aumento en los precios de las acciones.'
# Tokenizar y obtener predicciones
entradas = tokenizador(texto_de_ejemplo, return_tensors='pt', truncation=True, padding=True)
salidas = modelo(**entradas)
predicciones = salidas.logits.argmax(-1)
# Mapear predicciones a etiquetas
mapeo_de_sentimientos = {0: 'Negativo', 1: 'Neutral', 2: 'Positivo'}
sentimiento = mapeo_de_sentimientos[predicciones.item()]
print(f'Texto de entrada: {texto_de_ejemplo} \nSentimiento estimado: {sentimiento}')
Funcionalidades
- Clasificación de sentimientos en textos financieros.
- Basado en la arquitectura Longformer de Allen AI.
- Afinado con el conjunto de datos Financial PhraseBank.
- Capacidad para manejar hasta 4096 tokens.
- Eficiente para procesar artículos de noticias, informes de ganancias y estados financieros.
Casos de uso
- Clasificación de sentimientos en artículos de noticias financieras.
- Análisis de sentimientos en informes de ganancias de empresas.
- Evaluación del sentimiento en estados financieros.