Hugging Face's logo

firqaaa
/
setfit-indo-absa-restaurant-polarity

Text Classification
setfit
Safetensors
sentence-transformers
xlm-roberta
absa
generated_from_setfit_trainer
Eval Results
Model card Files Community
setfit-indo-absa-restaurant-polarity / README.md
firqaaa's picture
firqaaa
Update README.md
39b62c2 verified
preview code
|
raw
history blame
14.8 kB
metadata
library_name: setfit
tags:
  - setfit
  - absa
  - sentence-transformers
  - text-classification
  - generated_from_setfit_trainer
metrics:
  - accuracy
widget:
  - text: >-
      gulungan biasa menjadi gulungan luar dalam,:dibutuhkan biaya tambahan $2
      untuk mengubah gulungan biasa menjadi gulungan luar dalam, tetapi gulungan
      tersebut berukuran lebih dari tiga kali lipat, dan itu bukan ha dari nasi.
  - text: >-
      -a-bagel (baik di:ess-a-bagel (baik di sty-town atau midtown) sejauh ini
      merupakan bagel terbaik di ny.
  - text: >-
      mahal wadah ini pengelola:ketika kami sedang duduk makan makanan di bawah
      standar, manajer mulai mencaci-maki beberapa karyawan karena meletakkan
      wadah bumbu yang salah dan menjelaskan kepada mereka betapa mahal wadah
      ini pengelola
  - text: staf sangat akomodatif.:staf sangat akomodatif.
  - text: >-
      layanan luar biasa melayani:makanan india yang enak dan layanan luar biasa
      melayani
pipeline_tag: text-classification
inference: false
base_model: BAAI/bge-m3
model-index:
  - name: SetFit Polarity Model with BAAI/bge-m3
    results:
      - task:
          type: text-classification
          name: Text Classification
        dataset:
          name: Unknown
          type: unknown
          split: test
        metrics:
          - type: accuracy
            value: 0.7898320472083522
            name: Accuracy

SetFit Polarity Model with BAAI/bge-m3

This is a SetFit model that can be used for Aspect Based Sentiment Analysis (ABSA). This SetFit model uses BAAI/bge-m3 as the Sentence Transformer embedding model. 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:

  1. Fine-tuning a Sentence Transformer with contrastive learning.
  2. 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:

  1. Use a spaCy model to select possible aspect span candidates.
  2. Use a SetFit model to filter these possible aspect span candidates.
  3. Use this SetFit model to classify the filtered aspect span candidates.

Model Details

Model Description

Model Sources

Model Labels

Label Examples
netral
  • 'sangat kecil sehingga reservasi adalah suatu keharusan:restoran ini sangat kecil sehingga reservasi adalah suatu keharusan.'
  • 'di dekat seorang busboy dan mendesiskan rapido:di sebelah kanan saya, nyo rumah berdiri di dekat seorang busboy dan mendesiskan rapido, rapido ketika dia mencoba membersihkan dan mengatur ulang meja untuk enam orang.'
  • 'dan mengatur ulang meja untuk enam orang:di sebelah kanan saya, nyo rumah berdiri di dekat seorang busboy dan mendesiskan rapido, rapido ketika dia mencoba membersihkan dan mengatur ulang meja untuk enam orang.'
negatif
  • 'untuk enam orang nyonya rumah:di sebelah kanan saya, nyo rumah berdiri di dekat seorang busboy dan mendesiskan rapido, rapido ketika dia mencoba membersihkan dan mengatur ulang meja untuk enam orang nyonya rumah'
  • 'setelah berurusan dengan pizza di bawah standar:setelah berurusan dengan pizza di bawah standar di seluruh lingkungan kensington - saya menemukan sedikit tonino.'
  • 'mereka tidak mejikan bir, anda harus:perhatikan bahwa mereka tidak mejikan bir, anda harus membawa sendiri.'
positif
  • 'saya tidak menyukai gnocchi.:saya tidak menyukai gnocchi.'
  • 'dari makanan pembuka yang kami makan:dari makanan pembuka yang kami makan, dim sum, dan variasi makanan lain, tidak mungkin untuk mengkritik makanan tersebut.'
  • 'kami makan, dim sum, dan variasi:dari makanan pembuka yang kami makan, dim sum, dan variasi makanan lain, tidak mungkin untuk mengkritik makanan tersebut.'
konflik
  • 'makanan enak tapi jangan:makanan enak tapi jangan datang ke sini dengan perut kosong.'
  • 'milik pihak rumah tagihan:namun, setiap perselisihan tentang ruu itu diimbangi oleh takaran minuman keras yang anda tuangkan sendiri yang merupakan milik pihak rumah tagihan'
  • 'layanan meja bisa menjadi sedikit:layanan meja bisa menjadi sedikit lebih penuh perhatian tetapi sebagai seseorang yang juga bekerja di industri jasa, saya mengerti mereka sedang sibuk.'

Evaluation

Metrics

Label Accuracy
all 0.7898

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

# Download from the 🤗 Hub
model = AbsaModel.from_pretrained(
    "firqaaa/setfit-indo-absa-restaurants-aspect",
    "firqaaa/setfit-indo-absa-restaurants-polarity",
)
# Run inference
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 3 20.6594 62
Label Training Sample Count
konflik 34
negatif 323
netral 258
positif 853

Training Hyperparameters

  • batch_size: (16, 16)
  • num_epochs: (1, 1)
  • max_steps: -1
  • sampling_strategy: oversampling
  • 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: True
  • warmup_proportion: 0.1
  • seed: 42
  • eval_max_steps: -1
  • load_best_model_at_end: True

Training Results

Epoch Step Training Loss Validation Loss
0.0000 1 0.2345 -
0.0006 50 0.2337 -
0.0013 100 0.267 -
0.0019 150 0.2335 -
0.0025 200 0.2368 -
0.0032 250 0.2199 -
0.0038 300 0.2325 -
0.0045 350 0.2071 -
0.0051 400 0.2229 -
0.0057 450 0.1153 -
0.0064 500 0.1771 0.1846
0.0070 550 0.1612 -
0.0076 600 0.1487 -
0.0083 650 0.147 -
0.0089 700 0.1982 -
0.0096 750 0.1579 -
0.0102 800 0.1148 -
0.0108 850 0.1008 -
0.0115 900 0.2035 -
0.0121 950 0.1348 -
0.0127 1000 0.0974 0.182
0.0134 1050 0.121 -
0.0140 1100 0.1949 -
0.0147 1150 0.2424 -
0.0153 1200 0.0601 -
0.0159 1250 0.0968 -
0.0166 1300 0.0137 -
0.0172 1350 0.034 -
0.0178 1400 0.1217 -
0.0185 1450 0.0454 -
0.0191 1500 0.0397 0.2216
0.0198 1550 0.0226 -
0.0204 1600 0.0939 -
0.0210 1650 0.0537 -
0.0217 1700 0.0566 -
0.0223 1750 0.162 -
0.0229 1800 0.0347 -
0.0236 1850 0.103 -
0.0242 1900 0.0615 -
0.0249 1950 0.0589 -
0.0255 2000 0.1668 0.2132
0.0261 2050 0.1809 -
0.0268 2100 0.0579 -
0.0274 2150 0.088 -
0.0280 2200 0.1047 -
0.0287 2250 0.1255 -
0.0293 2300 0.0312 -
0.0300 2350 0.0097 -
0.0306 2400 0.0973 -
0.0312 2450 0.0066 -
0.0319 2500 0.0589 0.2591
0.0325 2550 0.0529 -
0.0331 2600 0.0169 -
0.0338 2650 0.0455 -
0.0344 2700 0.0609 -
0.0350 2750 0.1151 -
0.0357 2800 0.0031 -
0.0363 2850 0.0546 -
0.0370 2900 0.0051 -
0.0376 2950 0.0679 -
0.0382 3000 0.0046 0.2646
0.0389 3050 0.011 -
0.0395 3100 0.0701 -
0.0401 3150 0.0011 -
0.0408 3200 0.011 -
0.0414 3250 0.0026 -
0.0421 3300 0.0027 -
0.0427 3350 0.0012 -
0.0433 3400 0.0454 -
0.0440 3450 0.0011 -
0.0446 3500 0.0012 0.2602
  • The bold row denotes the saved checkpoint.

Framework Versions

  • Python: 3.10.13
  • SetFit: 1.0.3
  • Sentence Transformers: 2.2.2
  • spaCy: 3.7.4
  • Transformers: 4.36.2
  • PyTorch: 2.1.2+cu121
  • Datasets: 2.16.1
  • Tokenizers: 0.15.0

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}
}