Emotion English DistilRoBERTa-base

描述ℹ

使用该模型，您可以对英文文本数据进行情绪分类。该模型是在6个多样化的数据集上进行训练的（请参见下面的附录），并预测了埃克曼的6种基本情绪，还有一个中性类：

该模型是 DistilRoBERTa-base 的微调检查点。有关“非蒸馏”情绪模型，请参考 RoBERTa-large 版本的模型卡。

应用程序?

在Google Colab上使用Hugging Face的管道命令，在单个文本示例上使用3行代码运行情绪模型：

from transformers import pipeline
classifier = pipeline("text-classification", model="j-hartmann/emotion-english-distilroberta-base", return_all_scores=True)
classifier("I love this!")

Output:
[[{'label': 'anger', 'score': 0.004419783595949411},
  {'label': 'disgust', 'score': 0.0016119900392368436},
  {'label': 'fear', 'score': 0.0004138521908316761},
  {'label': 'joy', 'score': 0.9771687984466553},
  {'label': 'neutral', 'score': 0.005764586851000786},
  {'label': 'sadness', 'score': 0.002092392183840275},
  {'label': 'surprise', 'score': 0.008528684265911579}]]

在Google Colab上对多个示例和完整数据集（例如.csv文件）运行情绪模型：

联系方式?

如果您有任何问题或反馈，请通过jochen.hartmann@tum.de与我们联系。

感谢Samuel Domdey和 chrsiebert 在使该模型可用方面的支持。

参考✅

如果您使用此模型，请引用以下参考文献。即将推出工作论文。

Jochen Hartmann, "Emotion English DistilRoBERTa-base". https://huggingface.co/j-hartmann/emotion-english-distilroberta-base/, 2022.

BibTex引用：

@misc{hartmann2022emotionenglish,
  author={Hartmann, Jochen},
  title={Emotion English DistilRoBERTa-base},
  year={2022},
  howpublished = {\url{https://huggingface.co/j-hartmann/emotion-english-distilroberta-base/}},
}

附录?

请在下面找到用于训练的数据集概述。所有数据集都包含英文文本。该表总结了每个数据集中可用的情绪。这些数据集包含来自Twitter、Reddit、学生自我报告和电视对话的语句的情绪标签。由于MELD（多模态情绪线数据集）扩展了流行的情绪线数据集，因此情绪线本身不包含在此处。

该模型在上述列出的数据集的平衡子集上进行训练（每种情绪2,811个观测值，即总共接近20,000个观测值）。此平衡子集的80%用于训练，20%用于评估。评估准确性为66%（比随机基准的1/7=14%要高）。

科学应用?

下面是使用“Emotion English DistilRoBERTa-base”模型的论文列表。如果您希望将您的论文添加到列表中，请发送电子邮件给我。

• Butt, S., Sharma, S., Sharma, R., Sidorov, G., & Gelbukh, A. (2022). What goes on inside rumour and non-rumour tweets and their reactions: A Psycholinguistic Analyses. Computers in Human Behavior, 107345.
• Kuang, Z., Zong, S., Zhang, J., Chen, J., & Liu, H. (2022). Music-to-Text Synaesthesia: Generating Descriptive Text from Music Recordings. arXiv preprint arXiv:2210.00434.
• Rozado, D., Hughes, R., & Halberstadt, J. (2022). Longitudinal analysis of sentiment and emotion in news media headlines using automated labeling with Transformer language models. Plos one, 17(10), e0276367.