infinitydreams/roberta-base-sentiment-finetuned

Twitter-RoBERTa Sentiment140 Fine-tuned

Questo modello è una versione fine-tuned di cardiffnlp/twitter-roberta-base-sentiment-latest sul dataset Sentiment140, ottimizzato per l'analisi del sentiment di tweet in italiano e inglese. Il modello classifica i testi in tre categorie: negativo, neutro, positivo.

Caratteristiche tecniche

• Base model: cardiffnlp/twitter-roberta-base-sentiment-latest
• Dataset: Sentiment140 (5000 esempi train, 500 validazione, 5000 test)
• Task: Sentiment Analysis (3 classi: negativo, neutro, positivo)
• Tokenizzazione: max_length=128, padding='max_length', truncation=True
• Batch size: 16
• Epochs: 3
• Learning rate: 2e-5
• Weight decay: 0.01

Come usare il modello

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

tokenizer = AutoTokenizer.from_pretrained("<MODEL_DIR>")
model = AutoModelForSequenceClassification.from_pretrained("<MODEL_DIR>")

text = "Questo è un tweet fantastico!"
inputs = tokenizer(text, return_tensors="pt", truncation=True, padding="max_length", max_length=128)
with torch.no_grad():
    logits = model(**inputs).logits
    predicted_class = logits.argmax(-1).item()

# Mappatura delle classi:
# 0 = Negativo, 1 = Neutro, 2 = Positivo
print(f"Sentiment: {predicted_class}")

Sostituisci <MODEL_DIR> con il percorso della cartella del modello salvato (es. ./results/hf_model).

Dataset

Il dataset Sentiment140 contiene tweet etichettati come negativo (0), neutro (2), positivo (4). Le etichette sono state rimappate come segue:

• 0 → 0 (Negativo)
• 2 → 1 (Neutro)
• 4 → 2 (Positivo)

Addestramento

L'addestramento è stato effettuato con HuggingFace Transformers Trainer, utilizzando una suddivisione 90/10 per train/validation e limitando la dimensione dei dati per rapidità di test.

Licenza

Apache 2.0

Autore

Machine Innovators (proai-machineinnovators)