SetFit Aspect Model

This is a SetFit model that can be used for Aspect Based Sentiment Analysis (ABSA). A LogisticRegression 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:

Fine-tuning a Sentence Transformer with contrastive learning.
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:

Use a spaCy model to select possible aspect span candidates.
Use this SetFit model to filter these possible aspect span candidates.
Use a SetFit model to classify the filtered aspect span candidates.

Model Details

Model Description

Model Type: SetFit
Classification head: a LogisticRegression instance
spaCy Model: id_core_news_trf
SetFitABSA Aspect Model: zeroix07/indo-setfit-absa-model-aspect
SetFitABSA Polarity Model: zeroix07/indo-setfit-absa-model-polarity
Maximum Sequence Length: 512 tokens
Number of Classes: 2 classes

Model Sources

Repository: SetFit on GitHub
Paper: Efficient Few-Shot Learning Without Prompts
Blogpost: SetFit: Efficient Few-Shot Learning Without Prompts

Model Labels

Label	Examples
aspect	'makanannya:Agar benar-benar adil, satu-satunya faktor penebusan adalah makanannya, yang berada di atas rata-rata, tetapi tidak dapat menutupi semua kekurangan Teodora lainnya.' 'makanannya:makanannya benar-benar luar biasa, dengan dapur yang sangat mumpuni yang dengan bangga akan menyiapkan apa pun yang Anda ingin makan, baik itu ada di menu atau tidak.' 'dapur:makanannya benar-benar luar biasa, dengan dapur yang sangat mumpuni yang dengan bangga akan menyiapkan apa pun yang Anda ingin makan, baik itu ada di menu atau tidak.'
no aspect	'faktor penebusan:Agar benar-benar adil, satu-satunya faktor penebusan adalah makanannya, yang berada di atas rata-rata, tetapi tidak dapat menutupi semua kekurangan Teodora lainnya.' 'atas:Agar benar-benar adil, satu-satunya faktor penebusan adalah makanannya, yang berada di atas rata-rata, tetapi tidak dapat menutupi semua kekurangan Teodora lainnya.' 'kekurangan Teodora:Agar benar-benar adil, satu-satunya faktor penebusan adalah makanannya, yang berada di atas rata-rata, tetapi tidak dapat menutupi semua kekurangan Teodora lainnya.'

Label

Examples

aspect

'makanannya:Agar benar-benar adil, satu-satunya faktor penebusan adalah makanannya, yang berada di atas rata-rata, tetapi tidak dapat menutupi semua kekurangan Teodora lainnya.'
'makanannya:makanannya benar-benar luar biasa, dengan dapur yang sangat mumpuni yang dengan bangga akan menyiapkan apa pun yang Anda ingin makan, baik itu ada di menu atau tidak.'
'dapur:makanannya benar-benar luar biasa, dengan dapur yang sangat mumpuni yang dengan bangga akan menyiapkan apa pun yang Anda ingin makan, baik itu ada di menu atau tidak.'

no aspect

'faktor penebusan:Agar benar-benar adil, satu-satunya faktor penebusan adalah makanannya, yang berada di atas rata-rata, tetapi tidak dapat menutupi semua kekurangan Teodora lainnya.'
'atas:Agar benar-benar adil, satu-satunya faktor penebusan adalah makanannya, yang berada di atas rata-rata, tetapi tidak dapat menutupi semua kekurangan Teodora lainnya.'
'kekurangan Teodora:Agar benar-benar adil, satu-satunya faktor penebusan adalah makanannya, yang berada di atas rata-rata, tetapi tidak dapat menutupi semua kekurangan Teodora lainnya.'

Evaluation

Metrics

Label	Accuracy
all	0.7837

Uses

Direct Use for Inference

First install the SetFit library:

pip install setfit

Then you can load this model and run inference.

from setfit import AbsaModel

# Download from the 🤗 Hub
model = AbsaModel.from_pretrained(
    "zeroix07/indo-setfit-absa-model-aspect",
    "zeroix07/indo-setfit-absa-model-polarity",
)
# Run inference
preds = model("The food was great, but the venue is just way too busy.")

Training Details

Training Set Metrics

Training set	Min	Median	Max
Word count	2	17.4396	40

Label	Training Sample Count
no aspect	415
aspect	181

Training Hyperparameters

batch_size: (6, 6)
num_epochs: (1, 16)
max_steps: -1
sampling_strategy: oversampling
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: True
warmup_proportion: 0.1
seed: 42
eval_max_steps: -1
load_best_model_at_end: False

Training Results

Epoch	Step	Training Loss	Validation Loss
0.0000	1	0.2509	-
0.0015	50	0.1002	-
0.0029	100	0.2166	-
0.0044	150	0.1083	-
0.0058	200	0.2008	-
0.0073	250	0.2292	-
0.0088	300	0.1745	-
0.0102	350	0.207	-
0.0117	400	0.0432	-
0.0131	450	0.0122	-
0.0146	500	0.0318	-
0.0161	550	0.0037	-
0.0175	600	0.0065	-
0.0190	650	0.0401	-
0.0204	700	0.0015	-
0.0219	750	0.0043	-
0.0233	800	0.0968	-
0.0248	850	0.1695	-
0.0263	900	0.0037	-
0.0277	950	0.001	-
0.0292	1000	0.0041	-
0.0306	1050	0.0009	-
0.0321	1100	0.0025	-
0.0336	1150	0.0015	-
0.0350	1200	0.0763	-
0.0365	1250	0.2008	-
0.0379	1300	0.0015	-
0.0394	1350	0.0766	-
0.0409	1400	0.2491	-
0.0423	1450	0.1411	-
0.0438	1500	0.0007	-
0.0452	1550	0.0057	-
0.0467	1600	0.0007	-
0.0482	1650	0.1603	-
0.0496	1700	0.0006	-
0.0511	1750	0.0019	-
0.0525	1800	0.0005	-
0.0540	1850	0.0005	-
0.0555	1900	0.2637	-
0.0569	1950	0.0011	-
0.0584	2000	0.0008	-
0.0598	2050	0.0017	-
0.0613	2100	0.0005	-
0.0627	2150	0.0002	-
0.0642	2200	0.0766	-
0.0657	2250	0.0001	-
0.0671	2300	0.0002	-
0.0686	2350	0.0023	-
0.0700	2400	0.0001	-
0.0715	2450	0.0122	-
0.0730	2500	0.001	-
0.0744	2550	0.0006	-
0.0759	2600	0.0056	-
0.0773	2650	0.0022	-
0.0788	2700	0.0002	-
0.0803	2750	0.0213	-
0.0817	2800	0.047	-
0.0832	2850	0.0002	-
0.0846	2900	0.0135	-
0.0861	2950	0.0473	-
0.0876	3000	0.0003	-
0.0890	3050	0.0078	-
0.0905	3100	0.0001	-
0.0919	3150	0.0002	-
0.0934	3200	0.008	-
0.0949	3250	0.0005	-
0.0963	3300	0.0002	-
0.0978	3350	0.0062	-
0.0992	3400	0.0002	-
0.1007	3450	0.0002	-
0.1021	3500	0.0007	-
0.1036	3550	0.0017	-
0.1051	3600	0.1652	-
0.1065	3650	0.0011	-
0.1080	3700	0.0	-
0.1094	3750	0.0003	-
0.1109	3800	0.0007	-
0.1124	3850	0.0006	-
0.1138	3900	0.0001	-
0.1153	3950	0.002	-
0.1167	4000	0.0001	-
0.1182	4050	0.0004	-
0.1197	4100	0.0003	-
0.1211	4150	0.0295	-
0.1226	4200	0.0012	-
0.1240	4250	0.0004	-
0.1255	4300	0.0003	-
0.1270	4350	0.0364	-
0.1284	4400	0.042	-
0.1299	4450	0.0	-
0.1313	4500	0.0	-
0.1328	4550	0.0001	-
0.1343	4600	0.0159	-
0.1357	4650	0.0001	-
0.1372	4700	0.0	-
0.1386	4750	0.0004	-
0.1401	4800	0.0409	-
0.1415	4850	0.0411	-
0.1430	4900	0.0001	-
0.1445	4950	0.0002	-
0.1459	5000	0.0	-
0.1474	5050	0.1251	-
0.1488	5100	0.0	-
0.1503	5150	0.0001	-
0.1518	5200	0.0	-
0.1532	5250	0.0	-
0.1547	5300	0.0466	-
0.1561	5350	0.0	-
0.1576	5400	0.0001	-
0.1591	5450	0.0	-
0.1605	5500	0.0254	-
0.1620	5550	0.0001	-
0.1634	5600	0.0002	-
0.1649	5650	0.0	-
0.1664	5700	0.0264	-
0.1678	5750	0.0006	-
0.1693	5800	0.0001	-
0.1707	5850	0.0022	-
0.1722	5900	0.0011	-
0.1737	5950	0.1395	-
0.1751	6000	0.0169	-
0.1766	6050	0.0043	-
0.1780	6100	0.1513	-
0.1795	6150	0.0001	-
0.1809	6200	0.0008	-
0.1824	6250	0.0	-
0.1839	6300	0.0009	-
0.1853	6350	0.0002	-
0.1868	6400	0.0001	-
0.1882	6450	0.0002	-
0.1897	6500	0.0534	-
0.1912	6550	0.0002	-
0.1926	6600	0.0001	-
0.1941	6650	0.0007	-
0.1955	6700	0.1641	-
0.1970	6750	0.0001	-
0.1985	6800	0.0012	-
0.1999	6850	0.0035	-
0.2014	6900	0.0006	-
0.2028	6950	0.0001	-
0.2043	7000	0.0107	-
0.2058	7050	0.0001	-
0.2072	7100	0.0028	-
0.2087	7150	0.0004	-
0.2101	7200	0.0	-
0.2116	7250	0.0866	-
0.2131	7300	0.0	-
0.2145	7350	0.0001	-
0.2160	7400	0.0	-
0.2174	7450	0.0	-
0.2189	7500	0.0001	-
0.2203	7550	0.0	-
0.2218	7600	0.0001	-
0.2233	7650	0.0001	-
0.2247	7700	0.0	-
0.2262	7750	0.0532	-
0.2276	7800	0.0	-
0.2291	7850	0.0611	-
0.2306	7900	0.0001	-
0.2320	7950	0.0	-
0.2335	8000	0.0001	-
0.2349	8050	0.0	-
0.2364	8100	0.0	-
0.2379	8150	0.0	-
0.2393	8200	0.0304	-
0.2408	8250	0.0	-
0.2422	8300	0.0253	-
0.2437	8350	0.0	-
0.2452	8400	0.0	-
0.2466	8450	0.0	-
0.2481	8500	0.0173	-
0.2495	8550	0.0002	-
0.2510	8600	0.0003	-
0.2525	8650	0.0012	-
0.2539	8700	0.1639	-
0.2554	8750	0.0308	-
0.2568	8800	0.0	-
0.2583	8850	0.0	-
0.2597	8900	0.068	-
0.2612	8950	0.0001	-
0.2627	9000	0.0001	-
0.2641	9050	0.0	-
0.2656	9100	0.0734	-
0.2670	9150	0.0002	-
0.2685	9200	0.0	-
0.2700	9250	0.0244	-
0.2714	9300	0.1642	-
0.2729	9350	0.326	-
0.2743	9400	0.0023	-
0.2758	9450	0.1533	-
0.2773	9500	0.0003	-
0.2787	9550	0.0005	-
0.2802	9600	0.0005	-
0.2816	9650	0.0003	-
0.2831	9700	0.0001	-
0.2846	9750	0.0001	-
0.2860	9800	0.0003	-
0.2875	9850	0.0008	-
0.2889	9900	0.1625	-
0.2904	9950	0.0011	-
0.2919	10000	0.037	-
0.2933	10050	0.0006	-
0.2948	10100	0.0006	-
0.2962	10150	0.0001	-
0.2977	10200	0.0002	-
0.2991	10250	0.0149	-
0.3006	10300	0.0	-
0.3021	10350	0.0	-
0.3035	10400	0.0	-
0.3050	10450	0.0	-
0.3064	10500	0.0	-
0.3079	10550	0.0	-
0.3094	10600	0.0	-
0.3108	10650	0.0001	-
0.3123	10700	0.0932	-
0.3137	10750	0.0	-
0.3152	10800	0.0	-
0.3167	10850	0.0	-
0.3181	10900	0.0	-
0.3196	10950	0.0	-
0.3210	11000	0.0004	-
0.3225	11050	0.0	-
0.3240	11100	0.0	-
0.3254	11150	0.0	-
0.3269	11200	0.0228	-
0.3283	11250	0.0	-
0.3298	11300	0.0263	-
0.3313	11350	0.0001	-
0.3327	11400	0.0218	-
0.3342	11450	0.0	-
0.3356	11500	0.0826	-
0.3371	11550	0.0	-
0.3385	11600	0.0	-
0.3400	11650	0.0	-
0.3415	11700	0.0	-
0.3429	11750	0.0002	-
0.3444	11800	0.0	-
0.3458	11850	0.0001	-
0.3473	11900	0.0	-
0.3488	11950	0.0	-
0.3502	12000	0.0	-
0.3517	12050	0.0	-
0.3531	12100	0.0563	-
0.3546	12150	0.0	-
0.3561	12200	0.0384	-
0.3575	12250	0.0002	-
0.3590	12300	0.0352	-
0.3604	12350	0.0003	-
0.3619	12400	0.0001	-
0.3634	12450	0.0003	-
0.3648	12500	0.0	-
0.3663	12550	0.0003	-
0.3677	12600	0.0	-
0.3692	12650	0.0	-
0.3707	12700	0.0002	-
0.3721	12750	0.0002	-
0.3736	12800	0.0	-
0.3750	12850	0.0	-
0.3765	12900	0.0	-
0.3779	12950	0.0	-
0.3794	13000	0.0	-
0.3809	13050	0.0141	-
0.3823	13100	0.0	-
0.3838	13150	0.1085	-
0.3852	13200	0.0	-
0.3867	13250	0.0006	-
0.3882	13300	0.0778	-
0.3896	13350	0.0003	-
0.3911	13400	0.0001	-
0.3925	13450	0.0	-
0.3940	13500	0.0001	-
0.3955	13550	0.0	-
0.3969	13600	0.0001	-
0.3984	13650	0.0	-
0.3998	13700	0.0086	-
0.4013	13750	0.0079	-
0.4028	13800	0.0001	-
0.4042	13850	0.0001	-
0.4057	13900	0.084	-
0.4071	13950	0.0003	-
0.4086	14000	0.0004	-
0.4101	14050	0.0053	-
0.4115	14100	0.0	-
0.4130	14150	0.0008	-
0.4144	14200	0.1477	-
0.4159	14250	0.0	-
0.4173	14300	0.0017	-
0.4188	14350	0.0	-
0.4203	14400	0.0001	-
0.4217	14450	0.0414	-
0.4232	14500	0.0	-
0.4246	14550	0.0002	-
0.4261	14600	0.0627	-
0.4276	14650	0.1112	-
0.4290	14700	0.0	-
0.4305	14750	0.0002	-
0.4319	14800	0.0002	-
0.4334	14850	0.0393	-
0.4349	14900	0.0	-
0.4363	14950	0.0	-
0.4378	15000	0.0003	-
0.4392	15050	0.0001	-
0.4407	15100	0.0005	-
0.4422	15150	0.0009	-
0.4436	15200	0.0001	-
0.4451	15250	0.0001	-
0.4465	15300	0.0212	-
0.4480	15350	0.0	-
0.4495	15400	0.0	-
0.4509	15450	0.0	-
0.4524	15500	0.0	-
0.4538	15550	0.05	-
0.4553	15600	0.0	-
0.4567	15650	0.028	-
0.4582	15700	0.0001	-
0.4597	15750	0.0	-
0.4611	15800	0.0	-
0.4626	15850	0.0	-
0.4640	15900	0.0	-
0.4655	15950	0.043	-
0.4670	16000	0.0363	-
0.4684	16050	0.0	-
0.4699	16100	0.054	-
0.4713	16150	0.0	-
0.4728	16200	0.0	-
0.4743	16250	0.0	-
0.4757	16300	0.0	-
0.4772	16350	0.1	-
0.4786	16400	0.0001	-
0.4801	16450	0.0001	-
0.4816	16500	0.0	-
0.4830	16550	0.0267	-
0.4845	16600	0.0361	-
0.4859	16650	0.0	-
0.4874	16700	0.0181	-
0.4889	16750	0.0	-
0.4903	16800	0.0382	-
0.4918	16850	0.0276	-
0.4932	16900	0.0	-
0.4947	16950	0.0345	-
0.4961	17000	0.0	-
0.4976	17050	0.0	-
0.4991	17100	0.0	-
0.5005	17150	0.0	-
0.5020	17200	0.0	-
0.5034	17250	0.0	-
0.5049	17300	0.0001	-
0.5064	17350	0.0	-
0.5078	17400	0.0	-
0.5093	17450	0.0004	-
0.5107	17500	0.071	-
0.5122	17550	0.0	-
0.5137	17600	0.0	-
0.5151	17650	0.0	-
0.5166	17700	0.0239	-
0.5180	17750	0.0	-
0.5195	17800	0.0	-
0.5210	17850	0.0	-
0.5224	17900	0.0	-
0.5239	17950	0.0	-
0.5253	18000	0.0	-
0.5268	18050	0.0	-
0.5283	18100	0.0	-
0.5297	18150	0.0	-
0.5312	18200	0.0001	-
0.5326	18250	0.0	-
0.5341	18300	0.0	-
0.5355	18350	0.064	-
0.5370	18400	0.0	-
0.5385	18450	0.0	-
0.5399	18500	0.0	-
0.5414	18550	0.0499	-
0.5428	18600	0.0001	-
0.5443	18650	0.0	-
0.5458	18700	0.0	-
0.5472	18750	0.0002	-
0.5487	18800	0.0964	-
0.5501	18850	0.0	-
0.5516	18900	0.0	-
0.5531	18950	0.0	-
0.5545	19000	0.0	-
0.5560	19050	0.0001	-
0.5574	19100	0.0	-
0.5589	19150	0.0	-
0.5604	19200	0.0556	-
0.5618	19250	0.0715	-
0.5633	19300	0.0004	-
0.5647	19350	0.0	-
0.5662	19400	0.0	-
0.5677	19450	0.0	-
0.5691	19500	0.0001	-
0.5706	19550	0.0	-
0.5720	19600	0.0446	-
0.5735	19650	0.0	-
0.5749	19700	0.0	-
0.5764	19750	0.0	-
0.5779	19800	0.0324	-
0.5793	19850	0.0001	-
0.5808	19900	0.0001	-
0.5822	19950	0.0	-
0.5837	20000	0.0	-
0.5852	20050	0.0	-
0.5866	20100	0.0429	-
0.5881	20150	0.0	-
0.5895	20200	0.0	-
0.5910	20250	0.0	-
0.5925	20300	0.0	-
0.5939	20350	0.0	-
0.5954	20400	0.0	-
0.5968	20450	0.0214	-
0.5983	20500	0.0	-
0.5998	20550	0.0	-
0.6012	20600	0.0	-
0.6027	20650	0.0	-
0.6041	20700	0.0	-
0.6056	20750	0.0	-
0.6071	20800	0.0	-
0.6085	20850	0.0	-
0.6100	20900	0.0	-
0.6114	20950	0.0001	-
0.6129	21000	0.0	-
0.6143	21050	0.0	-
0.6158	21100	0.0	-
0.6173	21150	0.0	-
0.6187	21200	0.0	-
0.6202	21250	0.0	-
0.6216	21300	0.0402	-
0.6231	21350	0.0603	-
0.6246	21400	0.0	-
0.6260	21450	0.0	-
0.6275	21500	0.0	-
0.6289	21550	0.0	-
0.6304	21600	0.0	-
0.6319	21650	0.0238	-
0.6333	21700	0.0187	-
0.6348	21750	0.0	-
0.6362	21800	0.0	-
0.6377	21850	0.0	-
0.6392	21900	0.0325	-
0.6406	21950	0.0	-
0.6421	22000	0.0	-
0.6435	22050	0.0361	-
0.6450	22100	0.0	-
0.6465	22150	0.0853	-
0.6479	22200	0.0	-
0.6494	22250	0.0	-
0.6508	22300	0.0	-
0.6523	22350	0.0	-
0.6537	22400	0.0649	-
0.6552	22450	0.0	-
0.6567	22500	0.0	-
0.6581	22550	0.0	-
0.6596	22600	0.0	-
0.6610	22650	0.0	-
0.6625	22700	0.0	-
0.6640	22750	0.0	-
0.6654	22800	0.0	-
0.6669	22850	0.0382	-
0.6683	22900	0.0	-
0.6698	22950	0.0	-
0.6713	23000	0.0	-
0.6727	23050	0.0	-
0.6742	23100	0.0	-
0.6756	23150	0.0	-
0.6771	23200	0.0001	-
0.6786	23250	0.0458	-
0.6800	23300	0.0	-
0.6815	23350	0.0	-
0.6829	23400	0.0	-
0.6844	23450	0.0	-
0.6859	23500	0.0	-
0.6873	23550	0.0	-
0.6888	23600	0.044	-
0.6902	23650	0.0	-
0.6917	23700	0.0406	-
0.6931	23750	0.0	-
0.6946	23800	0.0318	-
0.6961	23850	0.0306	-
0.6975	23900	0.077	-
0.6990	23950	0.0194	-
0.7004	24000	0.0	-
0.7019	24050	0.0	-
0.7034	24100	0.0	-
0.7048	24150	0.0	-
0.7063	24200	0.0	-
0.7077	24250	0.0	-
0.7092	24300	0.0	-
0.7107	24350	0.0521	-
0.7121	24400	0.0	-
0.7136	24450	0.0	-
0.7150	24500	0.0	-
0.7165	24550	0.0	-
0.7180	24600	0.0	-
0.7194	24650	0.0	-
0.7209	24700	0.0	-
0.7223	24750	0.0518	-
0.7238	24800	0.0	-
0.7253	24850	0.0	-
0.7267	24900	0.0475	-
0.7282	24950	0.0	-
0.7296	25000	0.0	-
0.7311	25050	0.0374	-
0.7325	25100	0.0	-
0.7340	25150	0.0	-
0.7355	25200	0.0345	-
0.7369	25250	0.0	-
0.7384	25300	0.0	-
0.7398	25350	0.1585	-
0.7413	25400	0.0007	-
0.7428	25450	0.1661	-
0.7442	25500	0.0	-
0.7457	25550	0.0	-
0.7471	25600	0.0	-
0.7486	25650	0.0	-
0.7501	25700	0.0001	-
0.7515	25750	0.0	-
0.7530	25800	0.0	-
0.7544	25850	0.1657	-
0.7559	25900	0.0	-
0.7574	25950	0.0002	-
0.7588	26000	0.0001	-
0.7603	26050	0.0004	-
0.7617	26100	0.0	-
0.7632	26150	0.0449	-
0.7647	26200	0.1664	-
0.7661	26250	0.0002	-
0.7676	26300	0.0	-
0.7690	26350	0.0	-
0.7705	26400	0.0	-
0.7719	26450	0.0	-
0.7734	26500	0.0464	-
0.7749	26550	0.0	-
0.7763	26600	0.0002	-
0.7778	26650	0.0	-
0.7792	26700	0.0	-
0.7807	26750	0.0001	-
0.7822	26800	0.038	-
0.7836	26850	0.0	-
0.7851	26900	0.0	-
0.7865	26950	0.0	-
0.7880	27000	0.0	-
0.7895	27050	0.0	-
0.7909	27100	0.0	-
0.7924	27150	0.0464	-
0.7938	27200	0.0001	-
0.7953	27250	0.0376	-
0.7968	27300	0.0	-
0.7982	27350	0.0	-
0.7997	27400	0.0001	-
0.8011	27450	0.0001	-
0.8026	27500	0.0431	-
0.8041	27550	0.0	-
0.8055	27600	0.0263	-
0.8070	27650	0.0	-
0.8084	27700	0.0	-
0.8099	27750	0.0001	-
0.8113	27800	0.0	-
0.8128	27850	0.0	-
0.8143	27900	0.0	-
0.8157	27950	0.0	-
0.8172	28000	0.0	-
0.8186	28050	0.0	-
0.8201	28100	0.0	-
0.8216	28150	0.0	-
0.8230	28200	0.0	-
0.8245	28250	0.0	-
0.8259	28300	0.0	-
0.8274	28350	0.0	-
0.8289	28400	0.0	-
0.8303	28450	0.0253	-
0.8318	28500	0.0603	-
0.8332	28550	0.0	-
0.8347	28600	0.0627	-
0.8362	28650	0.0	-
0.8376	28700	0.0659	-
0.8391	28750	0.0	-
0.8405	28800	0.0	-
0.8420	28850	0.0	-
0.8435	28900	0.0	-
0.8449	28950	0.0	-
0.8464	29000	0.0	-
0.8478	29050	0.0	-
0.8493	29100	0.0314	-
0.8507	29150	0.0002	-
0.8522	29200	0.0	-
0.8537	29250	0.0001	-
0.8551	29300	0.0	-
0.8566	29350	0.0	-
0.8580	29400	0.0	-
0.8595	29450	0.1661	-
0.8610	29500	0.0	-
0.8624	29550	0.0	-
0.8639	29600	0.0464	-
0.8653	29650	0.0	-
0.8668	29700	0.0	-
0.8683	29750	0.0	-
0.8697	29800	0.0387	-
0.8712	29850	0.0872	-
0.8726	29900	0.0638	-
0.8741	29950	0.0	-
0.8756	30000	0.0638	-
0.8770	30050	0.0	-
0.8785	30100	0.0431	-
0.8799	30150	0.0	-
0.8814	30200	0.0397	-
0.8829	30250	0.0379	-
0.8843	30300	0.0642	-
0.8858	30350	0.0	-
0.8872	30400	0.0652	-
0.8887	30450	0.0641	-
0.8901	30500	0.0	-
0.8916	30550	0.0	-
0.8931	30600	0.021	-
0.8945	30650	0.0	-
0.8960	30700	0.0218	-
0.8974	30750	0.0	-
0.8989	30800	0.0	-
0.9004	30850	0.0214	-
0.9018	30900	0.0	-
0.9033	30950	0.0	-
0.9047	31000	0.0	-
0.9062	31050	0.0717	-
0.9077	31100	0.0	-
0.9091	31150	0.0476	-
0.9106	31200	0.0	-
0.9120	31250	0.0	-
0.9135	31300	0.0	-
0.9150	31350	0.0	-
0.9164	31400	0.0	-
0.9179	31450	0.0	-
0.9193	31500	0.0548	-
0.9208	31550	0.0002	-
0.9223	31600	0.0	-
0.9237	31650	0.0	-
0.9252	31700	0.0	-
0.9266	31750	0.0	-
0.9281	31800	0.0	-
0.9295	31850	0.0	-
0.9310	31900	0.0	-
0.9325	31950	0.0	-
0.9339	32000	0.0358	-
0.9354	32050	0.0	-
0.9368	32100	0.0	-
0.9383	32150	0.0	-
0.9398	32200	0.0	-
0.9412	32250	0.0	-
0.9427	32300	0.0	-
0.9441	32350	0.0	-
0.9456	32400	0.0	-
0.9471	32450	0.0	-
0.9485	32500	0.0	-
0.9500	32550	0.0863	-
0.9514	32600	0.0	-
0.9529	32650	0.0	-
0.9544	32700	0.0	-
0.9558	32750	0.0	-
0.9573	32800	0.0	-
0.9587	32850	0.0	-
0.9602	32900	0.0	-
0.9617	32950	0.0	-
0.9631	33000	0.0241	-
0.9646	33050	0.0	-
0.9660	33100	0.0	-
0.9675	33150	0.0	-
0.9689	33200	0.0258	-
0.9704	33250	0.0	-
0.9719	33300	0.0	-
0.9733	33350	0.0	-
0.9748	33400	0.0	-
0.9762	33450	0.0	-
0.9777	33500	0.0	-
0.9792	33550	0.0	-
0.9806	33600	0.0	-
0.9821	33650	0.0	-
0.9835	33700	0.0605	-
0.9850	33750	0.0	-
0.9865	33800	0.0	-
0.9879	33850	0.0	-
0.9894	33900	0.0245	-
0.9908	33950	0.0	-
0.9923	34000	0.0	-
0.9938	34050	0.0585	-
0.9952	34100	0.0513	-
0.9967	34150	0.0	-
0.9981	34200	0.0	-
0.9996	34250	0.0	-

Framework Versions

Python: 3.10.13
SetFit: 1.0.3
Sentence Transformers: 2.7.0
spaCy: 3.7.4
Transformers: 4.36.2
PyTorch: 2.1.2
Datasets: 2.18.0
Tokenizers: 0.15.2

Citation

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}
}

zeroix07
/

indo-setfit-absa-model-aspect