Skip to content

Latest commit

 

History

History
 
 

ernie_skep_sentiment_analysis

Folders and files

NameName
Last commit message
Last commit date

parent directory

..
assets
assets
 
 
model
model
 
 
README.md
README.md
 
 
module.py
module.py
 
 

README.md

ernie_skep_sentiment_analysis

模型名称 ernie_skep_sentiment_analysis
类别 文本-情感分析
网络 SKEP
数据集 百度自建数据集
是否支持Fine-tuning 否
模型大小 2.4G
最新更新日期 2021-02-26
数据指标 -

一、模型基本信息

  • 模型介绍

    • SKEP（Sentiment Knowledge Enhanced Pre-training for Sentiment Analysis）是百度研究团队在2020年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，在14项中英情感分析典型任务上全面超越SOTA，相关工作已经被ACL 2020录用。SKEP为各类情感分析任务提供统一且强大的情感语义表示。ernie_skep_sentiment_analysis Module可用于句子级情感分析任务预测。其在预训练时使用ERNIE 1.0 large预训练参数作为其网络参数初始化继续预训练。


二、安装

三、模型API预测

  • 1、命令行预测

    • $ hub run ernie_skep_sentiment_analysis --input_text='虽然小明很努力，但是他还是没有考100分'

  • 2、预测代码示例

    • import paddlehub as hub

# Load ernie_skep_sentiment_analysis module.
module = hub.Module(name="ernie_skep_sentiment_analysis")

# Predict sentiment label
test_texts = ['你不是不聪明，而是不认真', '虽然小明很努力，但是他还是没有考100分']
results = module.predict_sentiment(test_texts, use_gpu=False)

for result in results:
    print(result['text'])
    print(result['sentiment_label'])
    print(result['positive_probs'])
    print(result['negative_probs'])

# 你不是不聪明，而是不认真 negative 0.10738129168748856 0.8926186561584473
# 虽然小明很努力，但是他还是没有考100分 negative 0.05391530692577362 0.94608473777771

  • 3、API

    • def predict_sentiment(texts=[], use_gpu=False)

      • 预测API，分类输入文本的情感极性。

      • 参数

        • texts (list[str]): 待预测文本；
        • use_gpu (bool): 是否使用 GPU；若使用GPU，请先设置CUDA_VISIBLE_DEVICES环境变量；

      • 返回

        • res (list[dict]): 情感分类结果的列表，列表中每一个元素为 dict，各字段为：
          • text(str): 输入预测文本
          • sentiment_label(str): 情感分类结果，或为positive或为negative
          • positive_probs: 输入预测文本情感极性属于positive的概率
          • negative_probs: 输入预测文本情感极性属于negative的概率
    • def get_embedding(texts, use_gpu=False, batch_size=1)

      • 用于获取输入文本的句子粒度特征与字粒度特征

      • 参数

        • texts(list)：输入文本列表，格式为[[sample_a_text_a, sample_a_text_b], [sample_b_text_a, sample_b_text_b],…,]，其中每个元素都是一个样例，每个样例可以包含text_a与text_b。
        • use_gpu(bool)：是否使用gpu，默认为False。对于GPU用户，建议开启use_gpu。若使用GPU，请先设置CUDA_VISIBLE_DEVICES环境变量；

      • 返回

        • results(list): embedding特征，格式为[[sample_a_pooled_feature, sample_a_seq_feature], [sample_b_pooled_feature, sample_b_seq_feature],…,]，其中每个元素都是对应样例的特征输出，每个样例都有句子粒度特征pooled_feature与字粒度特征seq_feature。

四、服务部署

  • PaddleHub Serving 可以部署一个目标检测的在线服务。

  • 第一步：启动PaddleHub Serving

    • 运行启动命令：

      $ hub serving start -m ernie_skep_sentiment_analysis

    • 这样就完成了一个目标检测的服务化API的部署，默认端口号为8866。

    • NOTE: 如使用GPU预测，则需要在启动服务之前，请设置CUDA_VISIBLE_DEVICES环境变量，否则不用设置。

  • 第二步：发送预测请求

    • 配置好服务端，以下数行代码即可实现发送预测请求，获取预测结果

      import requests
import json

# 发送HTTP请求
data = {'texts':['你不是不聪明，而是不认真', '虽然小明很努力，但是他还是没有考100分']}
headers = {"Content-type": "application/json"}
url = "http://127.0.0.1:8866/predict/ernie_skep_sentiment_analysis"
r = requests.post(url=url, headers=headers, data=json.dumps(data))

# 打印预测结果
print(r.json()["results"])

五、更新历史

  • 1.0.0

    初始发布

  • 1.0.1

    移除 fluid api

    • $ hub install ernie_skep_sentiment_analysis==1.0.1