foxyanuo/chinese-chat-sentiment-8class

中文对话情感分类模型（8分类，上下文感知）

基于 chinese-roberta-wwm-ext-large 微调的中文对话场景情感分类模型，支持 8 种情感标签，输入为带上下文的对话文本。

本仓库提供 ONNX FP16 格式，可直接通过 ONNX Runtime 推理，无需依赖 PyTorch。

模型亮点

• 上下文感知：输入包含 [上文] 对话历史和 [当前] 目标消息，结合语境判断情感
• 8 类情感：开心、难过、生气、惊讶、害怕、厌恶、中性、关心
• 高精度：验证集准确率 98.86%，宏平均 F1 值 0.9886
• 日常聊天风格：训练数据为互联网日常聊天语料，包含网络用语、颜文字、缩写等
• 轻量部署：ONNX FP16 格式，模型体积 623.7 MB，无需 PyTorch 即可推理

评估结果

标签	精确率	召回率	F1 值	样本数
开心	1.0000	0.9911	0.9955	224
难过	0.9742	0.9956	0.9848	228
生气	0.9790	0.9708	0.9749	240
惊讶	0.9926	1.0000	0.9963	270
害怕	0.9955	0.9779	0.9866	226
厌恶	0.9784	0.9784	0.9784	231
中性	0.9901	0.9950	0.9926	202
关心	1.0000	1.0000	1.0000	228
加权平均	0.9887	0.9886	0.9886	1849

输入格式

模型输入为拼接的对话文本，格式如下：

[上文]
A：今天开会的时候看你一直揉太阳穴，是不是昨晚又熬夜肝新番了
B：啊被发现了，其实不只是追番啦，最近项目deadline压得有点喘不过气
[当前]
B：话说回来你脸色也不太好的说，是不是胃又不舒服了，要不要去茶水间泡点热茶休息一下，身体才是革命的本钱啊

模型预测 [当前] 部分发言者的情感。

使用方法

安装依赖

pip install onnxruntime transformers numpy

推理示例

import onnxruntime as ort
from transformers import AutoTokenizer
import numpy as np

# 标签列表
labels = ["开心", "难过", "生气", "惊讶", "害怕", "厌恶", "中性", "关心"]

# 加载分词器和模型
tokenizer = AutoTokenizer.from_pretrained("foxyanuo/chinese-chat-sentiment-8class")
session = ort.InferenceSession("model.onnx")

# 构造输入（必须包含上下文）
text = """[上文]
A：你听说了吗，小王要走了
B：啊？真的假的
[当前]
A：嗯，听到这个消息我都快哭了..."""

inputs = tokenizer(text, return_tensors="np", max_length=256, truncation=True, padding="max_length")
logits = session.run(None, {k: v for k, v in inputs.items()})[0]

# 获取预测结果
probs = np.exp(logits) / np.exp(logits).sum(axis=-1, keepdims=True)
pred = int(np.argmax(probs, axis=-1)[0])
confidence = float(probs[0][pred])

print(f"情感：{labels[pred]}，置信度：{confidence:.2%}")
# 情感：难过，置信度：99.91%

标签映射

编号	标签
0	开心
1	难过
2	生气
3	惊讶
4	害怕
5	厌恶
6	中性
7	关心

训练细节

参数	值
训练集大小	35k
验证集大小	1.8k
最大长度	256
批大小	32
学习率	2e-5
训练轮数	5（早停策略，耐心值=2）
预热比例	0.1
权重衰减	0.01
优化器	AdamW
混合精度训练	是

模型信息

项目	值
格式	ONNX
数值精度	FP16
模型大小	623.7 MB
输入	input_ids、attention_mask、token_type_ids
输出	logits（8维）
动态轴	支持（批大小、序列长度）

许可证

CC-BY-NC-4.0