aabcv/visobert-vsmec-moderation

ViSoBERT for Vietnamese Emotion Recognition & Comment Moderation (UIT-VSMEC)

Mô hình ViSoBERT (uitnlp/visobert) được huấn luyện tinh chỉnh (fine-tuned) trên bộ ngữ liệu UIT-VSMEC (Vietnamese Social Media Emotion Corpus), phục vụ 3 mục đích:

1. Phân loại 7 sắc thái cảm xúc: Enjoyment, Disgust, Sadness, Anger, Fear, Surprise, Other.
2. Quy đổi Sắc thái (Sentiment):
   • Tích cực (Positive): Enjoyment
   • Tiêu cực (Negative): Sadness, Disgust, Anger, Fear
   • Trung tính (Neutral): Other, Surprise
3. Kiểm duyệt tự động bình luận độc hại / vi phạm tiêu chuẩn cộng đồng (HuTube Video Platform):
   • Tối ưu hóa ngưỡng xác suất độc hại: $P(\text{Anger}) + P(\text{Disgust}) \ge 0.20$.
   • Tự động chuyển các bình luận xúc phạm, thù ghét vào hàng đợi kiểm duyệt (held) trước khi kịp hiển thị công khai.

---

📊 Kết quả đánh giá trên tập Test (UIT-VSMEC)

1. Kiểm duyệt bình luận độc hại (Toxic Moderation):

• Accuracy tổng thể: 81.5%
• Độ nhạy bắt độc hại (Recall - Toxic): 75.6%
• Độ tin cậy bình luận an toàn (Precision - Clean): 91.2% (giảm hơn 50% tỉ lệ bắt nhầm bình luận lành mạnh)

2. Phân loại 3 Sắc thái (Sentiment):

Sắc thái	Precision	Recall	F1-score	Số lượng mẫu
Tiêu cực (Negative)	0.772	0.841	0.805	334
Tích cực (Positive)	0.668	0.679	0.674	193
Trung tính (Neutral)	0.669	0.536	0.595	166
Toàn bộ (Accuracy)			72.3%	693

3. Phân loại chi tiết 7 cảm xúc:

• Macro F1: 0.577
• Weighted F1: 0.596
• Accuracy: 60.2%

---

🚀 Hướng dẫn sử dụng

Sử dụng qua pipeline (Đơn giản nhất):

from transformers import pipeline

classifier = pipeline(
    "text-classification",
    model="aabcv/visobert-vsmec-moderation"
)

text = "Video này rất hữu ích, cảm ơn bạn nhiều nhé!"
result = classifier(text)
print(result)
# [{'label': 'Enjoyment', 'score': 0.985...}]

Sử dụng qua PyTorch & AutoModel:

import torch
from transformers import AutoTokenizer, AutoModelForSequenceClassification

MODEL_ID = "aabcv/visobert-vsmec-moderation"

tokenizer = AutoTokenizer.from_pretrained(MODEL_ID)
model = AutoModelForSequenceClassification.from_pretrained(MODEL_ID)

text = "Video xàm vcl lừa đảo quá, cút đi thằng ad ngu ngốc"
inputs = tokenizer(text, return_tensors="pt", truncation=True, max_length=128)

with torch.no_grad():
    logits = model(**inputs).logits
    probs = torch.softmax(logits, dim=-1).squeeze().tolist()

labels = ["Enjoyment", "Disgust", "Sadness", "Anger", "Fear", "Surprise", "Other"]
for label, prob in zip(labels, probs):
    print(f"{label:10s}: {prob:.4f}")

# Kiểm tra điều kiện độc hại cho hệ thống kiểm duyệt
p_toxic = probs[1] + probs[3]  # Disgust + Anger
is_toxic = p_toxic >= 0.20
print(f"Bình luận độc hại: {is_toxic} (Xác suất toxic: {p_toxic:.2%})")