Create README.md

README.md

@@ -0,0 +1,109 @@
+---
+language:
+- zh
+- en
+library_name: transformers
+pipeline_tag: text2text-generation
+datasets:
+- Yaxin/SemEval2016Task5NLTK
+metrics:
+- yuyijiong/quad_match_score
+---
+yuyijiong/T5-large-sentiment-analysis-Chinese的改进版，增加更多任务，使用chatgpt生成部分数据\
+在多个中英文情感分析数据集上微调得到 \
+输出格式为 
+```
+'对象1 | 观点1 | 方面1 | 情感极性1 & 对象2 | 观点2 | 方面2 | 情感极性2 ......'
+```
+
+可以使用yuyijiong/quad_match_score评估指标进行评估
+```python
+import evaluate
+module = evaluate.load("yuyijiong/quad_match_score")
+predictions=["food | good | food#taste | pos"]
+references=["food | good | food#taste | pos & service | bad | service#general | neg"]
+result=module.compute(predictions=predictions, references=references)
+print(result)
+```
+
+支持以下情感分析任务
+```
+["四元组(对象 | 观点 | 方面 | 极性)",
+'二元组(对象 | 观点)',
+'三元组(对象 | 观点 | 方面)',
+'三元组(对象 | 观点 | 极性)',
+'三元组(对象 | 方面 | 极性)',
+'二元组(方面 | 极性)',
+'二元组(观点 | 极性)',
+'单元素(极性)']
+```
+
+可以增加额外条件来控制答案的生成，例如：
+
+答案风格控制，希望抽取的观点为整句话or缩减为几个词：\
+(观点尽量短)\
+(观点可以较长)\
+(对较长观点进行概括) 注意此条件可能使答案中出现与原文不同的词
+
+可以对指定的方面做情感分析：
+(方面选项:商品/物流/商家/平台)
+
+情感对象target可能为null，表示文本中未明确给出
+可以允许模型自动猜测为null的对象：
+(补全null)
+
+support the following sentiment analysis tasks
+```
+["quadruples (target | opinion | aspect | polarity)",
+"quadruples (target | opinion | aspect | polarity)",
+'pairs (target | opinion)',
+'triples (target | opinion | aspect)',
+'triples (target | opinion | polarity)',
+'triples (target | aspect | polarity)',
+'pairs (aspect | polarity)',
+'pairs (target | polarity)',
+'pairs (opinion | polarity)',
+'single (polarity)']
+```
+
+
+使用方法：
+Usage
+```python
+import torch
+from transformers import T5Tokenizer, AutoModelForSeq2SeqLM
+
+tokenizer = T5Tokenizer.from_pretrained("yuyijiong/T5-large-sentiment-analysis-Chinese-MultiTask")
+model = AutoModelForSeq2SeqLM.from_pretrained("yuyijiong/T5-large-sentiment-analysis-Chinese-MultiTask", device_map="auto")
+generation_config=GenerationConfig.from_pretrained("yuyijiong/T5-large-sentiment-analysis-Chinese-MultiTask")
+text = '情感四元组(对象 | 观点 | 方面 | 极性)抽取任务(观点可以较长): [个头大、口感不错,就是个别坏了的或者有烂掉口子刻意用泥土封着,这样做不好。]'
+input_ids = tokenizer(text,return_tensors="pt", padding=True)['input_ids'].cuda(0)
+with torch.no_grad():
+  output = model.generate(input_ids=input_ids,generation_config=generation_config)
+output_str = tokenizer.batch_decode(output, skip_special_tokens=True)
+print(output_str)
+```
+
+用法示例
+```
+Q:情感四元组(对象 | 观点 | 方面 | 极性)抽取任务(观点可以较长): [个头大、口感不错,就是个别坏了的或者有烂掉口子刻意用泥土封着,这样做不好。]
+A:个头 | 大 | 商品#大小 | 积极 & 口感 | 不错 | 商品#口感 | 积极 & null | 个别坏了的或者有烂掉口子刻意用泥土封着,这样做不好 | 商品#新鲜程度 | 消极
+
+Q:情感四元组(对象 | 观点 | 方面 | 极性)抽取任务(观点可以较长，补全null): [个头大、口感不错,就是个别坏了的或者有烂掉口子刻意用泥土封着,这样做不好。]
+A:个头 | 大 | 商品#大小 | 积极 & 口感 | 不错 | 商品#口感 | 积极 & null (个别) | 有烂掉口子刻意用泥土封着,这样做不好 | 商品#新鲜程度 | 消极
+
+Q:情感四元组(对象 | 观点 | 方面 | 极性)抽取任务(观点尽量短): [个头大、口感不错,就是个别坏了的或者有烂掉口子刻意用泥土封着,这样做不好。]
+A:个头 | 大 | 商品#大小 | 积极 & 口感 | 不错 | 商品#口感 | 积极
+
+Q:情感三元组(对象 | 观点 | 极性)抽取任务(观点可以较长，补全null): [个头大、口感不错,就是个别坏了的或者有烂掉口子刻意用泥土封着,这样做不好。]
+A:个头 | 大 | 积极 & 口感 | 不错 | 积极 & null (花生) | 个别坏了的或者有烂掉口子刻意用泥土封着,这样做不好 | 消极
+
+Q:判断以下评论的情感极性: [个头大、口感不错,就是个别坏了的或者有烂掉口子刻意用泥土封着,这样做不好。]
+A:中性
+
+Q:情感二元组(方面 | 极性)抽取任务(方面选项: 价格#性价比/价格#折扣/价格#水平/食品#外观/食物#分量/食物#味道/食物#推荐): [个头大、口感不错,就是个别坏了的或者有烂掉口子刻意用泥土封着,这样做不好。]
+A:食物#分量 | 积极 & 食物#味道 | 中性
+
+Q:sentiment quadruples (target | opinion | aspect | polarity) extraction task : [The hot dogs are good , yes , but the reason to get over here is the fantastic pork croquette sandwich , perfect on its supermarket squishy bun .]
+A:hot dogs | good | food#quality | pos & pork croquette sandwich | fantastic | food#quality | pos & bun | perfect | food#quality | pos
+```