BBS-NewWordFind

基于 Qwen3.5-0.8B-Base 微调的中文论坛新词发现分类模型。用于判定语境中的候选词是否具备独立、稳定的语义，过滤残片（Fragment）、乱码（Garbled）与高频虚词（Too Common）。

架构说明

本模型采用定制化的特征池化策略与损失函数：

• 特征提取：截取基座模型 Layer 19 的输出，对全句非填充（Non-pad）Token 执行 Global Sentence Mean Pooling。
• 损失函数：引入 Focal Loss (gamma=2.0) 处理类别不平衡与困难噪声样本（Hard Example Re-weighting）。
• 分类网络：对 1024 维度的全局特征进行 LayerNorm -> Linear -> SiLU -> Dropout -> Linear 降维处理，输出二分类概率。

性能指标

测试集指标：

• F1-Score: 0.8532
• Accuracy: 89.50%
• Precision: 82.63%
• Recall: 88.19%

使用方式

推荐使用 uv 进行依赖管理与执行。

1. 环境准备

uv venv
source .venv/bin/activate
uv add torch transformers huggingface_hub loguru tqdm scikit-learn accelerate

2. 执行推理

下载仓库内的 inference.py 脚本，执行批量推理：

uv run inference.py --input data.json

脚本默认指向本仓库拉取权重（包含定制的 classifier_head.pt），并在当前目录输出 accepted_words.json 与 rejected_words.json。

3. 数据格式参考 (data.json)

输入必须包含候选词及其关联语境列表：

{
  "io_uring": {
    "contexts": [
      "Linux 6.12 对 io_uring 做了深度优化。",
      "推荐使用 io_uring 替代传统的 epoll。"
    ]
  }
}