SetFit Polarity Model
This is a SetFit model that can be used for Aspect Based Sentiment Analysis (ABSA). A LogisticRegression instance is used for classification. In particular, this model is in charge of classifying aspect polarities.
The model has been trained using an efficient few-shot learning technique that involves:
- Fine-tuning a Sentence Transformer with contrastive learning.
- Training a classification head with features from the fine-tuned Sentence Transformer.
This model was trained within the context of a larger system for ABSA, which looks like so:
- Use a spaCy model to select possible aspect span candidates.
- Use a SetFit model to filter these possible aspect span candidates.
- Use this SetFit model to classify the filtered aspect span candidates.
Model Details
Model Description
Model Sources
Model Labels
| Label |
Examples |
| Negative |
- 'kebanyakan npc teyvat story utama punya mc:saranku developer harus menciptakan sebuah story yang sangat menarik, agar tidak kehilangan para player karena masalahnya banyak player yg tidak bertahan lama karena repetitif dan monoton tiap update, size makin gede doang yg isinya cuma chest baru itupun sampah, puzzle yg makin lama makin rumit tapi chest nya sampah, story kebanyakan npc teyvat story utama punya mc dilupain gak difokusin , map kalo udah kosong ya nyampah bikin size gede doang. main 3 tahun rasanya monoton, perkembangan buruk'
- 'tolong ditambah lagi reward untuk gachanya,:tolong ditambah lagi reward untuk gachanya, untuk player lama kesulitan mendapatkan primo karena sudah tidak ada lagi quest dan eksplorasi juga sudah 100 . dasar developer kapitalis, game ini makin lama makin monoton dan tidak ramah untuk player lama yang kekurangan bahan untuk gacha karakter'
- 'aja... sampek event selesai primogemnya buat:cuman saran jangan terlalu pelit.. biar para player gak kabur sama game sebelah hadiah event quest di perbaiki.... udah nunggu event lama lama hadiah cuman gitu gitu aja... sampek event selesai primogemnya buat 10 pull gacha gak cukup.... tingakat kesulitan beda hadiah sama saja... lama lama yang main pada kabur kalok terlalu pelit.. dan 1 lagi jariang mohon di perbaiki untuk server indonya trimaksih'
|
| Positive |
- 'gameplay nya memang menarik:gameplay nya memang menarik tapi story questnya bikin boring setiap lagi menyelesaikan quest kepala saya selalu frustasi karna dialog yang gak ngotak panjangnya mana gak bisa di skip selain itu developer selalu pelit untuk memberikan hadiah,saya sudah tidak merasa senang lagi bermain game ini karna ke kikirannya,puzzle nya,dan questnya membuat otak saya pusing developer juga lama memberi respon saat ada bug harus tunggu viral dulu baru bug nya di benerin'
- 'mulai dari cerita story, sound effect:tolong jangan pelit lah hoyoverse sama pemain baru atau pemain yg lama yg main kembali karna pemain paling suka kalau banyak gratisan ntah itu artefak, primoge, character, atau pun item karna jujur saja sebagai pemain baru saya merasa kurang puas sama gamenya apalagi buat upgrade character itu harus kumpulan item yg kebanyakan susah didapat bagi pemain baru itu saya kekurangan dari game ini selebihnya bagus mulai dari cerita story, sound effect, maupun tampilan didalam game yg lumayan bagus'
- 'cerita story, sound effect, maupun tampilan:tolong jangan pelit lah hoyoverse sama pemain baru atau pemain yg lama yg main kembali karna pemain paling suka kalau banyak gratisan ntah itu artefak, primoge, character, atau pun item karna jujur saja sebagai pemain baru saya merasa kurang puas sama gamenya apalagi buat upgrade character itu harus kumpulan item yg kebanyakan susah didapat bagi pemain baru itu saya kekurangan dari game ini selebihnya bagus mulai dari cerita story, sound effect, maupun tampilan didalam game yg lumayan bagus'
|
Uses
Direct Use for Inference
First install the SetFit library:
pip install setfit
Then you can load this model and run inference.
from setfit import AbsaModel
model = AbsaModel.from_pretrained(
"Funnyworld1412/ABSA_review_game_genshin-aspect",
"Funnyworld1412/ABSA_review_game_genshin-polarity",
)
preds = model("The food was great, but the venue is just way too busy.")
Training Details
Training Set Metrics
| Training set |
Min |
Median |
Max |
| Word count |
6 |
46.7275 |
98 |
| Label |
Training Sample Count |
| konflik |
0 |
| negatif |
0 |
| netral |
0 |
| positif |
0 |
Training Hyperparameters
- batch_size: (4, 4)
- num_epochs: (1, 1)
- max_steps: -1
- sampling_strategy: oversampling
- num_iterations: 10
- body_learning_rate: (2e-05, 1e-05)
- head_learning_rate: 0.01
- loss: CosineSimilarityLoss
- distance_metric: cosine_distance
- margin: 0.25
- end_to_end: False
- use_amp: False
- warmup_proportion: 0.1
- seed: 42
- eval_max_steps: -1
- load_best_model_at_end: False
Training Results
| Epoch |
Step |
Training Loss |
Validation Loss |
| 0.0004 |
1 |
0.2547 |
- |
| 0.0210 |
50 |
0.2787 |
- |
| 0.0419 |
100 |
0.002 |
- |
| 0.0629 |
150 |
0.2062 |
- |
| 0.0839 |
200 |
0.2148 |
- |
| 0.1048 |
250 |
0.209 |
- |
| 0.1258 |
300 |
0.1926 |
- |
| 0.1468 |
350 |
0.2244 |
- |
| 0.1677 |
400 |
0.0034 |
- |
| 0.1887 |
450 |
0.2523 |
- |
| 0.2096 |
500 |
0.0027 |
- |
| 0.2306 |
550 |
0.001 |
- |
| 0.2516 |
600 |
0.0016 |
- |
| 0.2725 |
650 |
0.0011 |
- |
| 0.2935 |
700 |
0.2077 |
- |
| 0.3145 |
750 |
0.0025 |
- |
| 0.3354 |
800 |
0.0014 |
- |
| 0.3564 |
850 |
0.0011 |
- |
| 0.3774 |
900 |
0.0028 |
- |
| 0.3983 |
950 |
0.0004 |
- |
| 0.4193 |
1000 |
0.0005 |
- |
| 0.4403 |
1050 |
0.0011 |
- |
| 0.4612 |
1100 |
0.0011 |
- |
| 0.4822 |
1150 |
0.0007 |
- |
| 0.5031 |
1200 |
0.0009 |
- |
| 0.5241 |
1250 |
0.0161 |
- |
| 0.5451 |
1300 |
0.0013 |
- |
| 0.5660 |
1350 |
0.0003 |
- |
| 0.5870 |
1400 |
0.0003 |
- |
| 0.6080 |
1450 |
0.0005 |
- |
| 0.6289 |
1500 |
0.0004 |
- |
| 0.6499 |
1550 |
0.0003 |
- |
| 0.6709 |
1600 |
0.0004 |
- |
| 0.6918 |
1650 |
0.0005 |
- |
| 0.7128 |
1700 |
0.0005 |
- |
| 0.7338 |
1750 |
0.0003 |
- |
| 0.7547 |
1800 |
0.0013 |
- |
| 0.7757 |
1850 |
0.0004 |
- |
| 0.7966 |
1900 |
0.0006 |
- |
| 0.8176 |
1950 |
0.0003 |
- |
| 0.8386 |
2000 |
0.0003 |
- |
| 0.8595 |
2050 |
0.0005 |
- |
| 0.8805 |
2100 |
0.0003 |
- |
| 0.9015 |
2150 |
0.0005 |
- |
| 0.9224 |
2200 |
0.0002 |
- |
| 0.9434 |
2250 |
0.0003 |
- |
| 0.9644 |
2300 |
0.0003 |
- |
| 0.9853 |
2350 |
0.0002 |
- |
Framework Versions
- Python: 3.10.13
- SetFit: 1.0.3
- Sentence Transformers: 3.0.1
- spaCy: 3.7.5
- Transformers: 4.36.2
- PyTorch: 2.1.2
- Datasets: 2.19.2
- Tokenizers: 0.15.2
Citation
BibTeX
@article{https://doi.org/10.48550/arxiv.2209.11055,
doi = {10.48550/ARXIV.2209.11055},
url = {https://arxiv.org/abs/2209.11055},
author = {Tunstall, Lewis and Reimers, Nils and Jo, Unso Eun Seo and Bates, Luke and Korat, Daniel and Wasserblat, Moshe and Pereg, Oren},
keywords = {Computation and Language (cs.CL), FOS: Computer and information sciences, FOS: Computer and information sciences},
title = {Efficient Few-Shot Learning Without Prompts},
publisher = {arXiv},
year = {2022},
copyright = {Creative Commons Attribution 4.0 International}
}