---
language: zh
library_name: transformers
pipeline_tag: text-classification
tags:
- bert
- chinese
- stance-analysis
- text-classification
- pytorch
- safetensors
datasets:
- custom-stance-dataset
metrics:
- accuracy
- f1
model-index:
- name: stance-ch
  results:
  - task:
      type: text-classification
      name: Stance Analysis
    dataset:
      type: custom
      name: Chinese Stance Dataset
    metrics:
    - type: accuracy
      value: N/A
      name: Test Accuracy
    - type: accuracy  
      value: N/A
      name: Validation Accuracy
---

# Chinese BERT for Stance Analysis (立场分析)

这是一个基于BERT的中文立场分析模型，能够识别文本中表达的支持(SUPPORTIVE)或反对(OPPOSING)立场。

## 模型信息

- **模型基础**: bert-base-chinese
- **任务类型**: 二分类文本分类
- **语言**: 中文 (Chinese)
- **训练数据**: 包含6,668条立场标注数据
- **标签**: OPPOSING (反对), SUPPORTIVE (支持)

## 性能指标

| 指标 | 数值 |
|------|------|
| 验证集准确率 | N/A |
| 测试集准确率 | N/A |
| 训练轮数 | N/A |

## 使用方法

```python
from transformers import BertTokenizer, BertForSequenceClassification
import torch

# 加载模型和tokenizer
model_name = "FutureMa/stance_ch"
tokenizer = BertTokenizer.from_pretrained(model_name)
model = BertForSequenceClassification.from_pretrained(model_name)

# 示例预测
def predict_stance(text):
    inputs = tokenizer(text, return_tensors="pt", truncation=True, padding=True, max_length=512)
    
    with torch.no_grad():
        outputs = model(**inputs)
        predictions = torch.nn.functional.softmax(outputs.logits, dim=-1)
        predicted_class = torch.argmax(predictions, dim=-1).item()
    
    labels = {"0": "OPPOSING", "1": "SUPPORTIVE"}
    confidence = predictions[0][predicted_class].item()
    
    return {
        "stance": labels[str(predicted_class)],
        "confidence": confidence
    }

# 使用示例
text = "我完全支持这个政策，它对社会发展有积极作用。"
result = predict_stance(text)
print(f"立场: {result['stance']}, 置信度: {result['confidence']:.4f}")
```

## 数据格式

训练数据采用以下格式:
```
topic: [话题内容]
answer: [回答内容]
```

模型基于回答内容判断其对话题的立场。

## 标签说明

- `OPPOSING` (0): 反对立场
- `SUPPORTIVE` (1): 支持立场

## 训练详情

- **优化器**: AdamW
- **学习率**: 2e-5
- **批次大小**: 16
- **最大序列长度**: 512
- **早停策略**: 验证集准确率连续3轮无提升
- **数据划分**: 训练集 6,268 / 验证集 200 / 测试集 200

## 注意事项

1. 模型主要针对中文文本训练
2. 最佳输入长度为512个token以内
3. 模型对政治、社会话题的立场分析效果较好
4. 建议在使用前对特定领域数据进行微调

## 许可证

本模型遵循Apache-2.0许可证。

## 引用

如果使用本模型，请引用:
```bibtex
@misc{stance_ch_2025,
  title={Chinese BERT for Stance Analysis},
  author={FutureMa},
  year={2025},
  publisher={Hugging Face},
  url={https://huggingface.co/FutureMa/stance_ch}
}
```

---

*模型训练时间: 2025年09月07日*