Emotion Detection Model - LongEmotion

情感检测模型，基于BERT的中文情感分类器

📊 模型信息

基础模型: bert-base-chinese
任务类型: 6分类情感检测
验证准确率: 91.47%
框架: PyTorch + Transformers

🏷️ 情感类别

模型可以识别以下6种情感：

sadness (悲伤)
joy (快乐)
love (爱)
anger (愤怒)
fear (恐惧)
surprise (惊讶)

📁 文件说明

detection_hug/
├── model.pt                      # 模型权重文件
├── config.json                   # 模型配置
├── tokenizer_config.json         # 分词器配置
├── vocab.txt                     # 词表
├── special_tokens_map.json       # 特殊符号映射
├── detection_model.py            # 模型定义
├── inference_example.py          # 推理示例
└── README.md                     # 本文件

🚀 快速开始

环境要求

pip install torch transformers

基本使用

import torch
from transformers import BertTokenizer
from detection_model import EmotionDetectionModel

# 1. 加载分词器
tokenizer = BertTokenizer.from_pretrained(".")

# 2. 加载模型
model = EmotionDetectionModel(
    model_name="bert-base-chinese",
    num_emotions=6
)
checkpoint = torch.load("model.pt", map_location="cpu")
model.load_state_dict(checkpoint)
model.eval()

# 3. 预测
text = "我今天很开心！"
encoding = tokenizer(text, return_tensors='pt', max_length=512, truncation=True, padding=True)
outputs = model(**encoding)
predicted_emotion = torch.argmax(outputs['logits'], dim=-1).item()

# 情感映射
emotions = ["sadness", "joy", "love", "anger", "fear", "surprise"]
print(f"预测情感: {emotions[predicted_emotion]}")

使用推理脚本

python inference_example.py

📈 模型性能

数据集: dair-ai/emotion (中文情感数据)
验证准确率: 91.47%
平均置信度: 89.27%
最大序列长度: 512 tokens

🔧 技术细节

模型架构

EmotionDetectionModel
├── BERT Encoder (bert-base-chinese)
│   └── 768-dim hidden states
├── Dropout (p=0.1)
├── Linear Layer (768 → 384)
├── ReLU Activation
├── Dropout (p=0.1)
└── Output Layer (384 → 6)

训练参数

优化器: AdamW
学习率: 2e-5
批次大小: 16
最大长度: 512

📝 引用

如果您使用此模型，请注明：

LongEmotion Detection Model
- 基于 bert-base-chinese
- 训练于 dair-ai/emotion 数据集

📧 联系方式

如有问题，请通过项目仓库联系。

License: 遵循 bert-base-chinese 的许可协议 Created: 2025