譯者 | 布加迪
審校 | 重樓
本文介紹了如何利用Hugging Face預訓練語言模型對推文隱藏的情緒進行分類。
Hugging Face上有各種基于Transformer的語言模型，專門用于處理語言理解和語言生成任務，包括但不限于：
- 文本分類
- 命名實體識別(NER)
- 文本生成
- 問題回答
- 摘要
- 翻譯
文本分類任務的一個特殊又很常見的案例是情緒分析，其目的是識別給定文本的情緒。“最簡單”的一類情緒分析語言模型經過訓練后，確定輸入文本(比如客戶對產品的評價)是積極的還是消極的，或者是積極的、消極的還是中立的。這兩個具體問題分別被表述為二元分類任務或多類分類任務。
還有一些語言模型雖然仍可以歸為情緒分析模型，但經過訓練后，可以將文本分類為幾種情緒，比如憤怒、快樂和悲傷等。
這篇基于Python的教程側重于加載和闡明使用一個Hugging Face預訓練模型來分類與輸入文本相關的主要情緒。我們將使用在Hugging Face中心上公開可用的情緒數據集。這個數據集含有成千上萬條用英語寫的推文消息。
加載數據集
我們將運行以下指令，加載情緒數據集中的訓練數據：
!pip install datasets
from datasets import load_dataset
all_data = load_dataset("jeffnyman/emotions")
train_data = all_data["train"]下面是train_data變量中訓練子集所包含內容的摘要：
Dataset({
features: ['text', 'label'],
num_rows: 16000
})情緒數據集中的訓練內容含有16000個與推文消息相關的實例。每個實例有兩個特征：一個輸入特征含有實際的消息文本，一個輸出特征或標簽含有其相關的情緒(用數字標識符標識)。
0：悲傷
1：快樂
2：喜愛
3：憤怒
4：恐懼
5：驚喜
比如說，訓練內容中的第一個標記實例被歸類為“悲傷”情緒：
train_data [0]輸出：
{'text': 'i didnt feel humiliated', 'label': 0}加載語言模型
一旦我們加載了數據，下一步就是從Hugging Face加載一個合適的預訓練語言模型，用于我們的目標情緒檢測任務。使用Hugging Face的Transformer庫加載和使用語言模型有兩種主要方法：
- 管道提供了一個非常高的抽象級別，可以準備加載語言模型，并立即對其執行推理，只需很少的代碼行，不過代價是幾乎沒什么可配置性。
- 自動類提供了較低層次的抽象，需要更多的編碼技能，但在調整模型參數以及定制文本預處理步驟(如標記化)方面提供了更大的靈活性。
為了方便起見，本教程側重于使用管道來加載模型。管道要求起碼指定語言任務的類型，并指定要加載的模型名(可選)。由于情緒檢測是文本分類問題的一種非常特殊的形式，因此在加載模型時使用的任務參數應該是“text-classification”。
from transformers import pipeline
classifier = pipeline("text-classification",
model="j-hartmann/emotion-english-distilroberta-base")另一方面，強烈建議用“model”參數指定Hugging Face中心中一個特定模型的名稱，該模型能夠解決我們的特定情緒檢測任務。否則，默認情況下，我們可能會為這個特定的6類分類問題加載一個沒有經過數據訓練的文本分類模型。
你可能會問自己：“我怎么知道使用哪個模型名稱?”。答案很簡單：在Hugging Face網站上搜索一番，找到合適的模型，或者根據特定數據集(比如情緒數據)訓練的模型。
下一步是開始進行預測。管道使得這個推理過程非常簡單，只需要調用我們新實例化的管道變量，并將輸入文本作為參數來傳遞：
example_tweet = "I love hugging face transformers!"
prediction = classifier(example_tweet)
print(prediction)結果，我們得到一個預測標簽和一個置信度分數：這個分數越接近1，所做的預測就越“可靠”。
[{'label': 'joy'， 'score': 0.9825918674468994}]所以，我們的輸入例子“I love hugging face transformers!”明確地傳達了一種喜悅的情緒。
你可以將多個輸入文本傳遞給管道以同時執行幾個預測，如下所示：
example_tweets = ["I love hugging face transformers!", "I really like coffee
but it's too bitter..."]
prediction = classifier(example_tweets)
print(prediction)這個例子中的第二個輸入對于模型執行自信分類更具挑戰性：
[{'label': 'joy', 'score': 0.9825918674468994}, {'label': 'sadness', 'score':
0.38266682624816895}]最后，我們還可以從數據集傳遞一批實例，比如之前加載的“情緒”數據。這個例子將前10個訓練輸入傳遞給我們的語言模型管道，對它們的情緒進行分類，然后輸出一個含有每個預測標簽的列表，將他們的置信度分數放在一邊：
train_batch = train_data[:10]["text"]
predictions = classifier(train_batch)
labels = [x['label'] for x in predictions]
print(labels)輸出：
['sadness', 'sadness', 'anger', 'joy', 'anger', 'sadness', 'surprise',
'fear', 'joy', 'joy']為了比較，下面是這10個訓練實例的原始標簽：
print(train_data[:10]["label"])輸出：
[0, 0, 3, 2, 3, 0, 5, 4, 1, 2]如果觀察每個數字標識符所關聯的情緒，我們可以看到，10個預測中有7個與這10個實例的實際標簽相匹配。
你已知道如何使用Hugging Face transformer模型來檢測文本情緒，何不探究預訓練的語言模型可以提供幫助的其他用例和語言任務呢?
原文標題：Using Hugging Face Transformers for Emotion Detection in Text，作者：Iván Palomares Carrascosa
