
社交媒体推文特化的RoBERTa基础 模型
该模型在经过5800万推文数据训练后基于原始RoBERTa基础模型优化,旨在提高其对Twitter数据的自然语言处理性能。用户可通过TweetEval官方仓库评估该模型,示例功能包括文本预处理、掩码语言模型、推文嵌入及特征提取,适用于情感分析及文本相似度判定等用途。
Twitter-roBERTa-base是一个自然语言处理模型,基于RoBERTa-base的基础上,通过约5800万条推文进行训练。这一模型在推文分类的统一基准测试TweetEval中进行了描述和评估。想要在推特专用数据上评估这个模型和其他语言模型的,可以参考TweetEval的官方资源库。
在使用模型之前,需要对文本进行预处理,主要是将用户名和链接替换为占位符“@user”和“http”。以下Python代码实现了这一功能:
def preprocess(text): new_text = [] for t in text.split(" "): t = '@user' if t.startswith('@') and len(t) > 1 else t t = 'http' if t.startswith('http') else t new_text.append(t) return " ".join(new_text)
利用Twitter-roBERTa-base,可以进行遮蔽语言模型预测,即预测句子中被遮蔽的词汇。以下是一个简单的例子:
from transformers import pipeline, AutoTokenizer import numpy as np MODEL = "cardiffnlp/twitter-roberta-base" fill_mask = pipeline("fill-mask", model=MODEL, tokenizer=MODEL) tokenizer = AutoTokenizer.from_pretrained(MODEL) def print_candidates(): for i in range(5): token = tokenizer.decode(candidates[i]['token']) score = np.round(candidates[i]['score'], 4) print(f"{i+1}) {token} {score}") texts = [ "I am so <mask> 😊", "I am so <mask> 😢" ] for text in texts: t = preprocess(text) print(f"{'-'*30}\n{t}") candidates = fill_mask(t) print_candidates()
通过此代码,模型可以预测出句子更适合的词语,比如在“我如此<mask> 😊”中,模型预测最适合填入的位置依次是“快乐”、“兴奋”、“自豪”等。
模型还可以用来生成推文的嵌入向量,并计算相似度。例如,可以计算一条描述“这本书非常棒”的推文与其他几条推文之间的相似度:
from transformers import AutoTokenizer, AutoModel import numpy as np from scipy.spatial.distance import cosine from collections import defaultdict tokenizer = AutoTokenizer.from_pretrained(MODEL) model = AutoModel.from_pretrained(MODEL) def get_embedding(text): text = preprocess(text) encoded_input = tokenizer(text, return_tensors='pt') features = model(**encoded_input) features = features[0].detach().cpu().numpy() features_mean = np.mean(features[0], axis=0) return features_mean MODEL = "cardiffnlp/twitter-roberta-base" query = "The book was awesome" tweets = ["I just ordered fried chicken 🐣", "The movie was great", "What time is the next game?", "Just finished reading 'Embeddings in NLP'"] d = defaultdict(int) for tweet in tweets: sim = 1-cosine(get_embedding(query), get_embedding(tweet)) d[tweet] = sim print('Most similar to: ', query) print('----------------------------------------') for idx, x in enumerate(sorted(d.items(), key=lambda x: x[1], reverse=True)): print(idx + 1, x[0])
从输出结果可以看到,与“这本书非常棒”最相似的推文是“这部电影很棒”。
Twitter-roBERTa-base还可以用来从文本中提取特征,并生成相应的特征向量:
from transformers import AutoTokenizer, AutoModel import numpy as np MODEL = "cardiffnlp/twitter-roberta-base" tokenizer = AutoTokenizer.from_pretrained(MODEL) text = "Good night 😊" text = preprocess(text) # Pytorch model = AutoModel.from_pretrained(MODEL) encoded_input = tokenizer(text, return_tensors='pt') features = model(**encoded_input) features = features[0].detach().cpu().numpy() features_mean = np.mean(features[0], axis=0)
通过以上步骤,用户可以获取文本的平均特征向量,用于进一步分析和应用。
如果您使用该模型,请参阅引用论文以获取详细的引用信息。


免费创建高清无水印Sora视频
Vora是一个免费创建高清无水印Sora视频的AI工具


最适合小白的AI自动化工作流平台
无需编码,轻松生成可复用、可变现的AI自动化工作流

大模型驱动的Excel数据处理工具
基于大模型交互的表格处理系统,允许用户通过对话方式完成数据整理和可视化分析。系统采用机器学习算法解析用户指令,自动执行排序、公式计算和数据透视等操作,支持多种文件格式导入导出。数据处理响应速度保持在0.8秒以内,支持超过100万行数据的即时分析。


AI辅助编程,代码自动修复
Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。


AI论文写作指导平台
AIWritePaper论文写作是一站式AI论文写作辅助工具,简化了选题、文献检索至论文撰写的整个过程。通过简单设定,平台可快速生成高质量论文大纲和全文,配合图表、参考文献等一应俱全,同时提供开题报告和答辩PPT等增值服务,保障数据安全,有效提升写作效率和论文质量。


AI一键生成PPT,就用博思AIPPT!
博思AIPPT,新一代的AI生成PPT平台,支持智能生成PPT、AI美化PPT、文本&链接生成PPT、导入Word/PDF/Markdown文档生成PPT等,内置海量精美PPT模板,涵盖商务、教育、科技等不同风格,同时针对每个页面提供多种版式,一键自适应切换,完美适配各种办公场景。


AI赋能电商视觉革命,一站式智能商拍平台
潮际好麦深耕服装行业,是国内AI试衣效果最好的软件。使用先进AIGC能力为电商卖家批量提供优质的、低成本的商拍图。合作品牌有Shein、Lazada、安踏、百丽等65个国内外头部品牌,以及国内10万+淘宝、天猫、京东等主流平台的品牌商家,为卖家节省将近85%的出图成本,提升约3倍出图效率,让品牌能够快速上架。


企业专属的AI法律顾问
iTerms是法大大集团旗下法律子品牌,基于最先进的大语言模型(LLM)、专业的法律知识库和强大的智能体架构,帮助企业扫清合规障碍,筑牢风控防线,成为您企业专属的AI法律顾问。


稳定高效的流量提升解决方案,助力品牌曝光
稳定高效的流量提升解决方案,助力品牌曝光


最新版Sora2模型免费使用,一键生成无水印视频
最新版Sora2模型免费使用,一键生成无水印视频
最新AI工具、AI资讯
独家AI资源、AI项目落地

微信扫一扫 关注公众号