metadata
license: afl-3.0
Hotel review multi-aspect sentiment classification using T5
We fine tune a T5 pretrained model to generate multi-aspect sentiment classes. The outputs are whole sentiment, aspect, and aspect+sentiment.
T5情緒面向分類多任務
在右側測試區輸入不同的任務文字
範例1:
面向::早餐可以吃的饱,但是东西没了,不一定会补
範例2:
面向情绪::房间空调系统有烟味,可考虑做调整
範例3:
整体情绪::位置离逢甲很近
資料集: 資料集蒐集自線上訂房網站的顧客留言10050筆,整理成三項任務,總筆數變成為三倍,共有30150筆(資料由本實驗室成員易筠蒐集)。
輸入與輸出格式:有三個種類任務分別為:
'整体情绪::' '面向::', '面向情绪::'
舉例如下:
整体情绪::因为防疫期间早餐要在房内用餐,但房内电视下的平台有点窄,有点不方便,负面情绪
整体情绪::只是隔音有点不好,负面情绪
整体情绪::订的是豪华家庭房,空间还算大,正面情绪
整体情绪::床大,正面情绪
面向::房间有奇怪的味道,"整洁舒适面向,设施面向"
面向::干净、舒适、亲切,价钱好~,"整洁舒适面向,性价比面向"
面向::位置便利,可以在附近悠闲散步,至市区也不远,又临近大海,住得十分舒服。,"整洁舒适面向,地点面向"
面向情绪::反应无效,服务面向的负面情绪
面向情绪::床其实还蛮好睡,枕头床被还算干净,至少不会让皮肤痒。离火车站市场闹区近。,"整洁舒适面向的正面情绪,设施面向的正面情绪,地点面向的正面情绪"
面向情绪::设备真的太旧了,灯光太暗了。,设施面向的负面情绪
面向情绪::住四天,没人打扫清洁,第一天有盥洗用品,其余就没补充,热水供应不正常,交通尚可。,"整洁舒适面向的负面情绪,设施面向的负面情绪,地点面向的正面情绪"
面向情绪::饭店太过老旧,房内桌子衣橱近乎溃烂,浴室有用过未清的毛巾,排水孔有近半垃圾未清,马桶肮脏,未提供浴巾,莲蓬头只能手持无法挂著墙上使用,空调无法控制,壁纸剥落,走道昏暗,近车站。,"整洁舒适面向的负面情绪,设施面向的负面情绪,地点面向的正面情绪"
預訓練模型: 目前初步先使用"Langboat/mengzi-t5-base"簡體中文預訓練模型加以微調。 由"Langboat/mengzi-t5-base"官網資訊得知是由簡體中文語料所訓練,因此我們將繁體中文留言先轉成簡體中文,再進行微調訓練。
訓練平台: 使用Google colab Tesla T4 GPU進行了3 epochs訓練,費時55分鐘,val_loss約為0.0315,初步實驗,仍有很大的改善空間。
未來改善工作:下一階段會進行數據增強(由於蒐集的語料是不平衡),以及使用Google的mt5繁體簡體中文預訓練模型加以微調,微調語料就可直接使用繁體中文。
使用範例:(輸入繁體中文需先將文字轉為簡體中文,再丟給模型產出輸出文字)
載入模型(使用的是simplet5套件)
#pip install simplet5
from simplet5 import SimpleT5
model = SimpleT5()
model.load_model("t5","Cheng-Lung/t5-hotel-review-sentiment", use_gpu=False)
整體情緒分類任務
text="整体情绪::位置离逢甲很近"
model.predict(text)
#['正面情绪']
面向分類任務
text="面向::早餐可以吃的饱,但是东西没了,不一定会补"
model.predict(text)
#['服务面向']
面向分類+情绪分類任務
text='面向情绪::房间空调系统有烟味,可考虑做调整'
model.predict(text)
#['设施面向的负面情绪']
輸入輸出改成是繁(正)體中文,輸出三項分類任務資訊
from opencc import OpenCC
t2s = OpenCC('t2s') # convert from Traditional Chinese to Simplified Chinese
s2t = OpenCC('s2t') # convert from Simplified Chinese to Traditional Chinese
class_types = ['整体情绪::','面向::','面向情绪::']
def predict(text):
text = t2s.convert(text)
response=[]
for prefix in class_types:
response.append(s2t.convert(model.predict(prefix+text)[0]))
return response
text='位置近市區,人員親切,食物好吃'
predict(text)
#['正面情緒', '服務面向,地點面向', '服務面向的正面情緒,地點面向的正面情緒']