IT老五：情感分析是一个优秀社交系统中必不可少的模块，老五最近在Github上看到一款百度开源基于SKEP的情感预训练代码和中英情感预训练模型。而且，为了进一步降低用户的使用门槛，百度在SKEP开源项目中集成了面向产业化的一键式情感分析预测工具。用户只需要几行代码即可实现基于SKEP的情感预训练以及模型预测功能。文章源自IT老刘-https://itlao6.com/3595.html
简介
情感分析旨在自动识别和提取文本中的倾向、立场、评价、观点等主观信息。它包含各式各样的任务，比如句子级情感分类、评价对象级情感分类、观点抽取、情绪分类等。情感分析是人工智能的重要研究方向，具有很高的学术价值。同时，情感分析在消费决策、舆情分析、个性化推荐等领域均有重要的应用，具有很高的商业价值。文章源自IT老刘-https://itlao6.com/3595.html近日，百度正式发布情感预训练模型SKEP（Sentiment Knowledge Enhanced Pre-training for Sentiment Analysis）。SKEP利用情感知识增强预训练模型， 在14项中英情感分析典型任务上全面超越SOTA，此工作已经被ACL 2020录用。文章源自IT老刘-https://itlao6.com/3595.html
论文地址：https://arxiv.org/abs/2005.05635文章源自IT老刘-https://itlao6.com/3595.html
为了方便研发人员和商业合作伙伴共享效果领先的情感分析技术，本次百度在Senta中开源了基于SKEP的情感预训练代码和中英情感预训练模型。而且，为了进一步降低用户的使用门槛，百度在SKEP开源项目中集成了面向产业化的一键式情感分析预测工具。用户只需要几行代码即可实现基于SKEP的情感预训练以及模型预测功能。文章源自IT老刘-https://itlao6.com/3595.html
SKEP
SKEP是百度研究团队提出的基于情感知识增强的情感预训练算法，此算法采用无监督方法自动挖掘情感知识，然后利用情感知识构建预训练目标，从而让机器学会理解情感语义。SKEP为各类情感分析任务提供统一且强大的情感语义表示。文章源自IT老刘-https://itlao6.com/3595.html
百度研究团队在三个典型情感分析任务，句子级情感分类（Sentence-level Sentiment Classification），评价对象级情感分类（Aspect-level Sentiment Classification）、观点抽取（Opinion Role Labeling），共计14个中英文数据上进一步验证了情感预训练模型SKEP的效果。实验表明，以通用预训练模型ERNIE（内部版本）作为初始化，SKEP相比ERNIE平均提升约1.2%，并且较原SOTA平均提升约2%，具体效果如下表：文章源自IT老刘-https://itlao6.com/3595.html任务 数据集合 语言 指标 原SOTA SKEP 句子级情感
分类SST-2 英文 ACC 97.50 97.60 Amazon-2 英文 ACC 97.37 97.61 ChnSentiCorp 中文 ACC 95.80 96.50 NLPCC2014-SC 中文 ACC 78.72 83.53 评价对象级的
情感分类Sem-L 英文 ACC 81.35 81.62 Sem-R 英文 ACC 87.89 88.36 AI-challenge 中文 F1 72.87 72.90 SE-ABSA16_PHNS 中文 ACC 79.58 82.91 SE-ABSA16_CAME 中文 ACC 87.11 90.06 观点
抽取MPQA-H 英文 b-F1/p-F1 83.67/77.12 86.32/81.11 MPQA-T 英文 b-F1/p-F1 81.59/73.16 83.67/77.53 COTE_BD 中文 F1 82.17 84.50 COTE_MFW 中文 F1 86.18 87.90 COTE_DP 中文 F1 84.33 86.30
代码结构
. ├── README.md ├── requirements.txt ├── senta # senta核心代码，包括模型、输出reader、分词方法等 ├── script # 情感分析各任务入口启动脚本，通过调用配置文件完成模型的训练和预测 ├── config # 任务配置文件目录，在配置文件中设定模型的方法、超参数、数据等
项目地址
github地址：https://github.com/baidu/Senta.git文章源自IT老刘-https://itlao6.com/3595.html 文章源自IT老刘-https://itlao6.com/3595.html
湖北省武汉市 1F
发表评论