|
--- |
|
library_name: setfit |
|
tags: |
|
- setfit |
|
- absa |
|
- sentence-transformers |
|
- text-classification |
|
- generated_from_setfit_trainer |
|
metrics: |
|
- accuracy |
|
widget: |
|
- text: kekurangan nya yaitu jaringan saya udah bagus:Terima kasih untuk supercell |
|
telah membuat game baru. Tapi ada kekurangan nya yaitu jaringan saya udah bagus |
|
tapi ketika saya main dia keluar padahal kalau saya login coc sm clash Royale |
|
masih bagus. Di harapkan kedepannya server nya makin bagus. |
|
- text: sinyal selalu bermasalah,:sinyal selalu bermasalah, login kadang macet dan |
|
saat masuk game sering eror |
|
- text: keren dan lucu² karakter nya😍.:Mekanik game nya simple, gameplay nya juga |
|
asik, seru dan lumayan gampang. Cuma perlu internet yg sinyalnya kuat dan cepet |
|
kalo MW lancar mainin nya, entah sinyal dari provider ku yg lemah atau karena |
|
gamenya yg masi baru dan masi ada bug, itu gak terlalu menarik buat dibahas. Overall |
|
gamenya bagus, keren dan lucu² karakter nya😍. Thanks supercell. |
|
- text: tapi entah kenapa layar gameku kayak ngefrezee ketika:Overall gamenya bagus |
|
tapi entah kenapa layar gameku kayak ngefrezee ketika mau coba sambung dengan |
|
supercell id. Tolong di perbaiki ya tim supercell |
|
- text: banyak yang mengeluh game ini sering frame:Game yang seru!! Tapi, untuk persediaan |
|
peti tolong diperbanyak lagi. Oh iya, banyak yang mengeluh game ini sering frame |
|
drop atau server jelek. Entahlah, mungkin ada yang salah dengan hp kalian, padahal |
|
di hp kentang saya yang sudah berusia 5 tahun masih berjalan lancar-lancar saja. |
|
Dengan RAM 3 GB dan Snapdragon 636, masih kuat buat jalanin game ini. Server juga |
|
tidak ada masalah, main 1 jam bahkan lebih tetap aman-aman saja. |
|
pipeline_tag: text-classification |
|
inference: false |
|
--- |
|
|
|
# SetFit Polarity Model |
|
|
|
This is a [SetFit](https://github.com/huggingface/setfit) model that can be used for Aspect Based Sentiment Analysis (ABSA). A [LogisticRegression](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html) instance is used for classification. In particular, this model is in charge of classifying aspect polarities. |
|
|
|
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 a SetFit model to filter these possible aspect span candidates. |
|
3. **Use this SetFit model to classify the filtered aspect span candidates.** |
|
|
|
## Model Details |
|
|
|
### Model Description |
|
- **Model Type:** SetFit |
|
<!-- - **Sentence Transformer:** [Unknown](https://huggingface.co/unknown) --> |
|
- **Classification head:** a [LogisticRegression](https://scikit-learn.org/stable/modules/generated/sklearn.linear_model.LogisticRegression.html) instance |
|
- **spaCy Model:** id_core_news_trf |
|
- **SetFitABSA Aspect Model:** [Funnyworld1412/ABSA_game_squad_busters-aspect](https://huggingface.co/Funnyworld1412/ABSA_game_squad_busters-aspect) |
|
- **SetFitABSA Polarity Model:** [Funnyworld1412/ABSA_game_squad_busters-polarity](https://huggingface.co/Funnyworld1412/ABSA_game_squad_busters-polarity) |
|
- **Maximum Sequence Length:** 8192 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 | |
|
|:---------|:--------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------------| |
|
| Negative | <ul><li>'coba digame lain koneksi aman, tapi:koneksi tidak stabil, setelah matching, tiba tiba lag dan tidak bisa masuk kedalam game, saya coba digame lain koneksi aman, tapi waktu balik lagi ke game ini masih aja lag logo wifi, dan parahnya lagi setelah lag didalam match, tidak bisa melanjutkanya lagi sistem eror mohon muat ulang game, begitu...terus hingga match berakhir. mohon lakukan perbaikan atas lag signal tidak stabil'</li><li>',, padahal koneksi di rumah sangat:gamenya sebenarnya sangat seru, konsepnya menarik,, gameplay simple. yang membuat jengkel adalah masalah koneksi yang tiba down atau bahkan terputus, dan yang membuat kesal winstreak yang dikumpulkan hilang hanya karena server yang tidak setabil,, padahal koneksi di rumah sangat lancar.. kemarin ada maintenance kirain mau perbaiki masalah ini, ternyata tetap saja dan malah tidak ada kompensasi, mungkin juga karena game baru jadi butuh lebih banyak persiapan,, semoga masalahnya cepat diperbaiki.'</li><li>'hilang hanya karena server yang tidak setabil:gamenya sebenarnya sangat seru, konsepnya menarik,, gameplay simple. yang membuat jengkel adalah masalah koneksi yang tiba down atau bahkan terputus, dan yang membuat kesal winstreak yang dikumpulkan hilang hanya karena server yang tidak setabil,, padahal koneksi di rumah sangat lancar.. kemarin ada maintenance kirain mau perbaiki masalah ini, ternyata tetap saja dan malah tidak ada kompensasi, mungkin juga karena game baru jadi butuh lebih banyak persiapan,, semoga masalahnya cepat diperbaiki.'</li></ul> | |
|
| Positive | <ul><li>'mungkin juga karena game baru jadi butuh:gamenya sebenarnya sangat seru, konsepnya menarik,, gameplay simple. yang membuat jengkel adalah masalah koneksi yang tiba down atau bahkan terputus, dan yang membuat kesal winstreak yang dikumpulkan hilang hanya karena server yang tidak setabil,, padahal koneksi di rumah sangat lancar.. kemarin ada maintenance kirain mau perbaiki masalah ini, ternyata tetap saja dan malah tidak ada kompensasi, mungkin juga karena game baru jadi butuh lebih banyak persiapan,, semoga masalahnya cepat diperbaiki.'</li><li>'sangat seru, konsepnya menarik,,:gamenya sebenarnya sangat seru, konsepnya menarik,, gameplay simple. yang membuat jengkel adalah masalah koneksi yang tiba down atau bahkan terputus, dan yang membuat kesal winstreak yang dikumpulkan hilang hanya karena server yang tidak setabil,, padahal koneksi di rumah sangat lancar.. kemarin ada maintenance kirain mau perbaiki masalah ini, ternyata tetap saja dan malah tidak ada kompensasi, mungkin juga karena game baru jadi butuh lebih banyak persiapan,, semoga masalahnya cepat diperbaiki.'</li><li>'menarik,, gameplay simple. yang:gamenya sebenarnya sangat seru, konsepnya menarik,, gameplay simple. yang membuat jengkel adalah masalah koneksi yang tiba down atau bahkan terputus, dan yang membuat kesal winstreak yang dikumpulkan hilang hanya karena server yang tidak setabil,, padahal koneksi di rumah sangat lancar.. kemarin ada maintenance kirain mau perbaiki masalah ini, ternyata tetap saja dan malah tidak ada kompensasi, mungkin juga karena game baru jadi butuh lebih banyak persiapan,, semoga masalahnya cepat diperbaiki.'</li></ul> | |
|
|
|
## 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( |
|
"Funnyworld1412/ABSA_game_squad_busters-aspect", |
|
"Funnyworld1412/ABSA_game_squad_busters-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 | 11 | 39.7490 | 94 | |
|
|
|
| Label | Training Sample Count | |
|
|:--------|:----------------------| |
|
| konflik | 0 | |
|
| negatif | 0 | |
|
| netral | 0 | |
|
| positif | 0 | |
|
|
|
### Training Hyperparameters |
|
- batch_size: (4, 4) |
|
- num_epochs: (1, 1) |
|
- max_steps: -1 |
|
- sampling_strategy: oversampling |
|
- num_iterations: 10 |
|
- body_learning_rate: (2e-05, 1e-05) |
|
- head_learning_rate: 0.01 |
|
- loss: CosineSimilarityLoss |
|
- distance_metric: cosine_distance |
|
- margin: 0.25 |
|
- end_to_end: False |
|
- use_amp: False |
|
- warmup_proportion: 0.1 |
|
- seed: 42 |
|
- eval_max_steps: -1 |
|
- load_best_model_at_end: False |
|
|
|
### Training Results |
|
| Epoch | Step | Training Loss | Validation Loss | |
|
|:------:|:----:|:-------------:|:---------------:| |
|
| 0.0004 | 1 | 0.1468 | - | |
|
| 0.0198 | 50 | 0.2275 | - | |
|
| 0.0395 | 100 | 0.1824 | - | |
|
| 0.0593 | 150 | 0.1943 | - | |
|
| 0.0791 | 200 | 0.0063 | - | |
|
| 0.0988 | 250 | 0.2251 | - | |
|
| 0.1186 | 300 | 0.0068 | - | |
|
| 0.1383 | 350 | 0.0046 | - | |
|
| 0.1581 | 400 | 0.0015 | - | |
|
| 0.1779 | 450 | 0.0014 | - | |
|
| 0.1976 | 500 | 0.0018 | - | |
|
| 0.2174 | 550 | 0.2301 | - | |
|
| 0.2372 | 600 | 0.0011 | - | |
|
| 0.2569 | 650 | 0.0051 | - | |
|
| 0.2767 | 700 | 0.0015 | - | |
|
| 0.2964 | 750 | 0.0016 | - | |
|
| 0.3162 | 800 | 0.0007 | - | |
|
| 0.3360 | 850 | 0.0027 | - | |
|
| 0.3557 | 900 | 0.0014 | - | |
|
| 0.3755 | 950 | 0.0077 | - | |
|
| 0.3953 | 1000 | 0.001 | - | |
|
| 0.4150 | 1050 | 0.0006 | - | |
|
| 0.4348 | 1100 | 0.0009 | - | |
|
| 0.4545 | 1150 | 0.1986 | - | |
|
| 0.4743 | 1200 | 0.0004 | - | |
|
| 0.4941 | 1250 | 0.0008 | - | |
|
| 0.5138 | 1300 | 0.0008 | - | |
|
| 0.5336 | 1350 | 0.0011 | - | |
|
| 0.5534 | 1400 | 0.0088 | - | |
|
| 0.5731 | 1450 | 0.001 | - | |
|
| 0.5929 | 1500 | 0.0025 | - | |
|
| 0.6126 | 1550 | 0.0006 | - | |
|
| 0.6324 | 1600 | 0.0005 | - | |
|
| 0.6522 | 1650 | 0.0006 | - | |
|
| 0.6719 | 1700 | 0.0024 | - | |
|
| 0.6917 | 1750 | 0.0725 | - | |
|
| 0.7115 | 1800 | 0.1236 | - | |
|
| 0.7312 | 1850 | 0.0006 | - | |
|
| 0.7510 | 1900 | 0.001 | - | |
|
| 0.7708 | 1950 | 0.0003 | - | |
|
| 0.7905 | 2000 | 0.0003 | - | |
|
| 0.8103 | 2050 | 0.0004 | - | |
|
| 0.8300 | 2100 | 0.0004 | - | |
|
| 0.8498 | 2150 | 0.0005 | - | |
|
| 0.8696 | 2200 | 0.0003 | - | |
|
| 0.8893 | 2250 | 0.0005 | - | |
|
| 0.9091 | 2300 | 0.0003 | - | |
|
| 0.9289 | 2350 | 0.0004 | - | |
|
| 0.9486 | 2400 | 0.0005 | - | |
|
| 0.9684 | 2450 | 0.0006 | - | |
|
| 0.9881 | 2500 | 0.0007 | - | |
|
|
|
### Framework Versions |
|
- Python: 3.10.13 |
|
- SetFit: 1.0.3 |
|
- Sentence Transformers: 3.0.1 |
|
- spaCy: 3.7.5 |
|
- Transformers: 4.36.2 |
|
- PyTorch: 2.1.2 |
|
- Datasets: 2.19.2 |
|
- 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.* |
|
--> |
