|
--- |
|
base_model: sentence-transformers/paraphrase-multilingual-mpnet-base-v2 |
|
library_name: setfit |
|
metrics: |
|
- f1 |
|
pipeline_tag: text-classification |
|
tags: |
|
- setfit |
|
- absa |
|
- sentence-transformers |
|
- text-classification |
|
- generated_from_setfit_trainer |
|
widget: |
|
- text: Locale:Locale molto bene arredato, con stile e atmosfera tipica valtellinese. |
|
Cucina ottima, dal bastone di carne al pesce, dai pizzoccheri agli gnocchetti, |
|
dal vino ai dolci, tutto perfetto e soprattutto di grande qualità... Filippo |
|
poi è un’autentica forza della natura, molto simpatico, cordiale e amichevole,...Altro |
|
- text: cucina:Locale accogliente e familiare...bravissima la ragazza in cucina, come |
|
le ragazze al banco e in sala! CONSIGLIATO |
|
- text: servizio:Il servizio era impeccabile e il tortello di zucca era sublime. |
|
- text: cucina:Il ristorante propone piatti vegetariani che NON sono vegetariani. |
|
Dopo aver specificato al servizio la nostra etica alimentare, ci è stata consigliata |
|
una portata che durante la consumazione abbiamo constatato con amarezza che avesse |
|
parti di maiale come ingredienti (confermato dalla cucina). Poco valgono le...scuse |
|
del servizio, trovo assurdo e inconcepibile che situazioni del genere possano |
|
accadere nel 2024. Evidentemente questo è indice della poca professionalità di |
|
questo ristorante.Altro |
|
- text: servizio:La polenta con formaggio era saporita, ma il servizio è stato lento. |
|
inference: false |
|
model-index: |
|
- name: SetFit Aspect Model with sentence-transformers/paraphrase-multilingual-mpnet-base-v2 |
|
results: |
|
- task: |
|
type: text-classification |
|
name: Text Classification |
|
dataset: |
|
name: Unknown |
|
type: unknown |
|
split: test |
|
metrics: |
|
- type: f1 |
|
value: 0.8096514745308312 |
|
name: F1 |
|
--- |
|
|
|
# SetFit Aspect Model with sentence-transformers/paraphrase-multilingual-mpnet-base-v2 |
|
|
|
This is a [SetFit](https://github.com/huggingface/setfit) model that can be used for Aspect Based Sentiment Analysis (ABSA). This SetFit model uses [sentence-transformers/paraphrase-multilingual-mpnet-base-v2](https://huggingface.co/sentence-transformers/paraphrase-multilingual-mpnet-base-v2) as the Sentence Transformer embedding model. A [SetFitHead](huggingface.co/docs/setfit/reference/main#setfit.SetFitHead) instance is used for classification. In particular, this model is in charge of filtering aspect span candidates. |
|
|
|
The model has been trained using an efficient few-shot learning technique that involves: |
|
|
|
1. Fine-tuning a [Sentence Transformer](https://www.sbert.net) 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 this SetFit model to filter these possible aspect span candidates.** |
|
3. Use a SetFit model to classify the filtered aspect span candidates. |
|
|
|
## Model Details |
|
|
|
### Model Description |
|
- **Model Type:** SetFit |
|
- **Sentence Transformer body:** [sentence-transformers/paraphrase-multilingual-mpnet-base-v2](https://huggingface.co/sentence-transformers/paraphrase-multilingual-mpnet-base-v2) |
|
- **Classification head:** a [SetFitHead](huggingface.co/docs/setfit/reference/main#setfit.SetFitHead) instance |
|
- **spaCy Model:** it_core_news_lg |
|
- **SetFitABSA Aspect Model:** [MattiaTintori/Final_aspect_Colab_It](https://huggingface.co/MattiaTintori/Final_aspect_Colab_It) |
|
- **SetFitABSA Polarity Model:** [setfit-absa-polarity](https://huggingface.co/setfit-absa-polarity) |
|
- **Maximum Sequence Length:** 128 tokens |
|
- **Number of Classes:** 2 classes |
|
<!-- - **Training Dataset:** [Unknown](https://huggingface.co/datasets/unknown) --> |
|
<!-- - **Language:** Unknown --> |
|
<!-- - **License:** Unknown --> |
|
|
|
### Model Sources |
|
|
|
- **Repository:** [SetFit on GitHub](https://github.com/huggingface/setfit) |
|
- **Paper:** [Efficient Few-Shot Learning Without Prompts](https://arxiv.org/abs/2209.11055) |
|
- **Blogpost:** [SetFit: Efficient Few-Shot Learning Without Prompts](https://huggingface.co/blog/setfit) |
|
|
|
### Model Labels |
|
| Label | Examples | |
|
|:----------|:----------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| |
|
| aspect | <ul><li>"tavolo:Purtroppo tutte le volte, ed è anni, che tento di prenotare non sono mai stato fortunato........devo dirvi che ora ho un po' perso la poesia!!!!!! O aggiungono tavoli o cambiano location......mai fatta cosi tanta fatica per trovare un tavolo!!!!! Non so francamente se comporro' ancora...Altro"</li><li>'spesa:Devo premettere che sono sempre stato ospite e non so la spesa.Da quanto posso intuire la carne la fa da padrona ed essendo io ve non posso giudicare.Per me trovo sempre cose piacevoli come antipasti a buffet,primi veg riso alle verdure, trofie al pesto patate...Altro'</li><li>'carne:Devo premettere che sono sempre stato ospite e non so la spesa.Da quanto posso intuire la carne la fa da padrona ed essendo io ve non posso giudicare.Per me trovo sempre cose piacevoli come antipasti a buffet,primi veg riso alle verdure, trofie al pesto patate...Altro'</li></ul> | |
|
| no aspect | <ul><li>"volte:Purtroppo tutte le volte, ed è anni, che tento di prenotare non sono mai stato fortunato........devo dirvi che ora ho un po' perso la poesia!!!!!! O aggiungono tavoli o cambiano location......mai fatta cosi tanta fatica per trovare un tavolo!!!!! Non so francamente se comporro' ancora...Altro"</li><li>"anni:Purtroppo tutte le volte, ed è anni, che tento di prenotare non sono mai stato fortunato........devo dirvi che ora ho un po' perso la poesia!!!!!! O aggiungono tavoli o cambiano location......mai fatta cosi tanta fatica per trovare un tavolo!!!!! Non so francamente se comporro' ancora...Altro"</li><li>"poesia:Purtroppo tutte le volte, ed è anni, che tento di prenotare non sono mai stato fortunato........devo dirvi che ora ho un po' perso la poesia!!!!!! O aggiungono tavoli o cambiano location......mai fatta cosi tanta fatica per trovare un tavolo!!!!! Non so francamente se comporro' ancora...Altro"</li></ul> | |
|
|
|
## Evaluation |
|
|
|
### Metrics |
|
| Label | F1 | |
|
|:--------|:-------| |
|
| **all** | 0.8097 | |
|
|
|
## Uses |
|
|
|
### Direct Use for Inference |
|
|
|
First install the SetFit library: |
|
|
|
```bash |
|
pip install setfit |
|
``` |
|
|
|
Then you can load this model and run inference. |
|
|
|
```python |
|
from setfit import AbsaModel |
|
|
|
# Download from the 🤗 Hub |
|
model = AbsaModel.from_pretrained( |
|
"MattiaTintori/Final_aspect_Colab_It", |
|
"setfit-absa-polarity", |
|
) |
|
# Run inference |
|
preds = model("The food was great, but the venue is just way too busy.") |
|
``` |
|
|
|
<!-- |
|
### Downstream Use |
|
|
|
*List how someone could finetune this model on their own dataset.* |
|
--> |
|
|
|
<!-- |
|
### Out-of-Scope Use |
|
|
|
*List how the model may foreseeably be misused and address what users ought not to do with the model.* |
|
--> |
|
|
|
<!-- |
|
## Bias, Risks and Limitations |
|
|
|
*What are the known or foreseeable issues stemming from this model? You could also flag here known failure cases or weaknesses of the model.* |
|
--> |
|
|
|
<!-- |
|
### Recommendations |
|
|
|
*What are recommendations with respect to the foreseeable issues? For example, filtering explicit content.* |
|
--> |
|
|
|
## Training Details |
|
|
|
### Training Set Metrics |
|
| Training set | Min | Median | Max | |
|
|:-------------|:----|:--------|:----| |
|
| Word count | 9 | 40.3192 | 137 | |
|
|
|
| Label | Training Sample Count | |
|
|:----------|:----------------------| |
|
| no aspect | 1379 | |
|
| aspect | 1378 | |
|
|
|
### Training Hyperparameters |
|
- batch_size: (128, 32) |
|
- num_epochs: (5, 32) |
|
- max_steps: -1 |
|
- sampling_strategy: oversampling |
|
- num_iterations: 10 |
|
- body_learning_rate: (5e-05, 5e-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 |
|
- l2_weight: 0.02 |
|
- seed: 42 |
|
- eval_max_steps: -1 |
|
- load_best_model_at_end: True |
|
|
|
### Training Results |
|
| Epoch | Step | Training Loss | Validation Loss | |
|
|:----------:|:-------:|:-------------:|:---------------:| |
|
| 0.0023 | 1 | 0.2484 | - | |
|
| 0.0464 | 20 | 0.2718 | 0.259 | |
|
| 0.0928 | 40 | 0.2581 | 0.2544 | |
|
| 0.1392 | 60 | 0.2266 | 0.2475 | |
|
| 0.1856 | 80 | 0.233 | 0.2298 | |
|
| 0.2320 | 100 | 0.2104 | 0.2145 | |
|
| **0.2784** | **120** | **0.1487** | **0.2106** | |
|
| 0.3248 | 140 | 0.1615 | 0.2314 | |
|
| 0.3712 | 160 | 0.1328 | 0.2164 | |
|
| 0.4176 | 180 | 0.0905 | 0.2164 | |
|
| 0.4640 | 200 | 0.0934 | 0.2517 | |
|
| 0.5104 | 220 | 0.0942 | 0.2185 | |
|
| 0.5568 | 240 | 0.0774 | 0.2469 | |
|
| 0.6032 | 260 | 0.1013 | 0.2248 | |
|
| 0.6497 | 280 | 0.0781 | 0.2221 | |
|
| 0.6961 | 300 | 0.0386 | 0.2362 | |
|
| 0.7425 | 320 | 0.084 | 0.2386 | |
|
|
|
* The bold row denotes the saved checkpoint. |
|
### Framework Versions |
|
- Python: 3.10.12 |
|
- SetFit: 1.0.3 |
|
- Sentence Transformers: 3.1.0 |
|
- spaCy: 3.7.6 |
|
- Transformers: 4.39.0 |
|
- PyTorch: 2.4.0+cu121 |
|
- Datasets: 3.0.0 |
|
- Tokenizers: 0.15.2 |
|
|
|
## Citation |
|
|
|
### BibTeX |
|
```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} |
|
} |
|
``` |
|
|
|
<!-- |
|
## Glossary |
|
|
|
*Clearly define terms in order to be accessible across audiences.* |
|
--> |
|
|
|
<!-- |
|
## Model Card Authors |
|
|
|
*Lists the people who create the model card, providing recognition and accountability for the detailed work that goes into its construction.* |
|
--> |
|
|
|
<!-- |
|
## Model Card Contact |
|
|
|
*Provides a way for people who have updates to the Model Card, suggestions, or questions, to contact the Model Card authors.* |
|
--> |
