tabularisai/robust-sentiment-analysis

Here's a quick example of how to use the model:

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

# Load model and tokenizer
model_name = "tabularisai/robust-sentiment-analysis"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name)

# Function to predict sentiment
def predict_sentiment(text):
    inputs = tokenizer(text.lower(), return_tensors="pt", truncation=True, padding=True, max_length=512)
    with torch.no_grad():
        outputs = model(**inputs)
    probabilities = torch.nn.functional.softmax(outputs.logits, dim=-1)
    predicted_class = torch.argmax(probabilities, dim=-1).item()
    sentiment_map = {0: "Muy negativo", 1: "Negativo", 2: "Neutral", 3: "Positivo", 4: "Muy positivo"}
    return sentiment_map[predicted_class]

# Example usage
texts = [
    "¡Me encantó esta película! La actuación fue excelente y la trama cautivadora.",
    "El servicio en este restaurante fue terrible. Nunca volveré.",
    "El producto funciona como se esperaba. Nada especial, pero hace el trabajo.",
    "Estoy un poco decepcionado con mi compra. No es tan bueno como esperaba.",
    "¡Este libro me cambió la vida! No pude dejar de leerlo y aprendí mucho."
]
for text in texts:
    sentiment = predict_sentiment(text)
    print(f"Texto: {text}")
    print(f"Sentimiento: {sentiment}\n")

Example of JS usage:

script type="module"
import { AutoTokenizer, AutoModel, env } from 'https://cdn.jsdelivr.net/npm/@xenova/[email protected]';

env.allowLocalModels = false;
env.useCDN = true;

const MODEL_NAME = 'tabularisai/robust-sentiment-analysis';

function softmax(arr) {
    const max = Math.max(...arr);
    const exp = arr.map(x => Math.exp(x - max));
    const sum = exp.reduce((acc, val) => acc + val);
    return exp.map(x => x / sum);
}

async function analyzeSentiment() {
    try {
        const tokenizer = await AutoTokenizer.from_pretrained(MODEL_NAME);
        const model = await AutoModel.from_pretrained(MODEL_NAME);

        const texts = [
            "¡Me encantó esta película! La actuación fue excelente y la trama cautivadora.",
            "El servicio en este restaurante fue terrible. Nunca volveré.",
            "El producto funciona como se esperaba. Nada especial, pero hace el trabajo.",
            "Estoy un poco decepcionado con mi compra. No es tan bueno como esperaba.",
            "¡Este libro me cambió la vida! No pude dejar de leerlo y aprendí mucho."
        ];

        const output = document.getElementById('output');

        for (const text of texts) {
            const inputs = await tokenizer(text, { return_tensors: 'pt' });
            const result = await model(inputs);

            console.log('Model output:', result);

            if (result.output && result.output.data) {
                const logitsArray = Array.from(result.output.data);
                console.log('Logits array:', logitsArray);

                const probabilities = softmax(logitsArray);
                const predicted_class = probabilities.indexOf(Math.max(...probabilities));

                const sentimentMap = {
                    0: "Muy negativo",
                    1: "Negativo",
                    2: "Neutral",
                    3: "Positivo",
                    4: "Muy positivo"
                };

                const sentiment = sentimentMap[predicted_class];
                const score = probabilities[predicted_class];

                output.innerHTML += `Texto: "${text}"`;
                output.innerHTML += `Sentimiento: ${sentiment}, Puntuación: ${score.toFixed(4)} `;
            } else {
                console.error('Unexpected model output structure:', result);
                output.innerHTML += `No se pudo procesar: "${text}"`;
            }
        }
    } catch (error) {
        console.error('Error:', error);
        document.getElementById('output').innerHTML = 'Ocurrió un error. Verifique la consola para más detalles.';
    }
}

analyzeSentiment();