liudev/roberta-multilabel-28-3-classes
134
RoBERTa Multi-Label Emotion & Tone Classifier (28 Emotions + 3 Tones)
 
🚀 官方应用展示 (Powered by this model)
本模型目前已在生产环境中部署。我们基于此模型开发了一款强大的 “小说情绪起伏搜索引擎”。
👉 [点击这里立即体验在线 Demo：semo.liudev.com](https://semo.liudev.com)
在这个应用中，我们展示了该模型的高阶用法：
- 情绪轨迹检索 (Emotion Trajectory Search)：不再是单纯的关键词搜索，你可以拼装一个情绪链条（例如：
喜极而泣 [Joy] -> [Sadness] -> [Relief]或先抑后扬 [Annoyance] -> [Surprise] -> [Admiration]），引擎会在海量小说库中找到完美符合该情绪走向的章节。 - 序列匹配算法：底层结合了该模型的 31 维向量输出与 DTW (动态时间规整) 算法，实现长文本情绪子序列的模糊匹配。
- 上下文感知高亮：精准定位并渲染命中情绪的段落。
- AI 链条生成：支持使用自然语言描述情绪走向，自动转化为模型的查询向量。
如果你对长文本情感分析、网文数据挖掘感兴趣，强烈建议试用该应用！
模型简介 (Model Description)
本模型 (liudev/roberta-multilabel-28-3-classes) 是一个基于 RoBERTa 架构的多标签文本分类模型。专门用于小说、对话或长文本段落的情感和基调分析。
模型共支持 31 个类别，包括：
- 28 种细粒度情感（如 anger, joy, love, surprise 等）
- 3 种情感基调（tonepositive, tonenegative, tone_neutral）
特殊的输入格式 (Context-Aware)
为了更好地理解小说/长文本中的上下文连贯性，本模型在训练和推理时使用了双句输入（Pair Input）策略：
text_a: 历史上下文（如当前段落的前 3 段）text_b: 当前需要预测的段落文本 这种设计使得模型能够结合前文语境，做出更准确的判断。
生产环境推荐阈值 (High-Precision Thresholds)
在多标签分类中，默认的 0.5 阈值往往不是最优的。为了在生产环境中确保“宁愿漏报，也不误报”（高查准率，Precision >= 80% 为目标），我们对每个标签进行了严格的阈值调优（正如我们的官方引擎中所使用的那样）。
强烈建议在推理时使用以下独立阈值字典：
PRODUCTION_THRESHOLDS = {
"anger": 0.71, "annoyance": 0.66, "disapproval": 0.65, "disgust": 0.75,
"fear": 0.73, "nervousness": 0.74, "embarrassment": 0.82, "disappointment": 0.69,
"gratitude": 0.75, "joy": 0.59, "amusement": 0.65, "excitement": 0.61,
"optimism": 0.73, "pride": 0.73, "relief": 0.75, "admiration": 0.71,
"approval": 0.69, "love": 0.77, "caring": 0.73, "desire": 0.78,
"neutral": 0.63, "sadness": 0.68, "grief": 0.80, "remorse": 0.81,
"surprise": 0.59, "realization": 0.61, "curiosity": 0.78, "confusion": 0.77,
"tone_positive": 0.49, "tone_negative": 0.47, "tone_neutral": 0.62
}如何使用 (How to Use)
以下是一个开箱即用的推理示例，包含了上下文组装和自定义阈值过滤：
import torch
from transformers import AutoTokenizer, AutoModelForSequenceClassification
model_id = "liudev/roberta-multilabel-28-3-classes"
tokenizer = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForSequenceClassification.from_pretrained(model_id)
model.eval()
# 推荐的生产环境阈值 (High Precision)
THETA_FINAL_TENSOR = torch.tensor([
0.71, 0.66, 0.65, 0.75, 0.73, 0.74, 0.82, 0.69, 0.75, 0.59,
0.65, 0.61, 0.73, 0.73, 0.75, 0.71, 0.69, 0.77, 0.73, 0.78,
0.63, 0.68, 0.80, 0.81, 0.59, 0.61, 0.78, 0.77, 0.49, 0.47, 0.62
])
# 标签映射
id2label = model.config.id2label
# 构建输入 (Context + Current Paragraph)
context_paragraphs = [
"夜幕低垂，狂风在破败的庙宇外肆虐，吹得半掩的残门嘎吱作响。",
"李青死死握紧了手中的长剑，手心满是冷汗，连呼吸都变得极其小心翼翼。"
]
current_paragraph = "突然，黑暗中传来一声凄厉的惨叫，紧接着，一双血红色的眼睛在神像背后缓缓睁开！"
text_a = "\n".join(context_paragraphs) # 前文历史（提供语境）
text_b = current_paragraph # 当前需要分析情绪的段落
inputs = tokenizer(
text_a,
text_b,
padding=True,
truncation=True,
max_length=256,
return_tensors="pt"
)
with torch.no_grad():
logits = model(**inputs).logits
probs = torch.sigmoid(logits).squeeze(0) # 转换为概率
# 使用自定义阈值进行过滤
predictions = []
for idx, prob in enumerate(probs):
if prob >= THETA_FINAL_TENSOR[idx]:
predictions.append({
"label": id2label[idx],
"score": round(prob.item(), 4)
})
print(predictions)
# Expected Output format:[{'label': 'fear', 'score': 0.8855}, {'label': 'nervousness', 'score': 0.7645}, {'label': 'surprise', 'score': 0.8146}, {'label': 'tone_negative', 'score': 0.8112}]
评估指标 (Evaluation Results)
本模型在验证集上的综合表现如下：
- Micro F1: 0.75
- Macro F1: 0.72
- Samples F1: 0.75
详细分类报告 (基于 Best F1 阈值)
模型在各个标签上的查准率（Precision）和召回率（Recall）表现：
(注意：若采用前文提供的生产环境高精度阈值，Precision 将普遍提升至 0.7~0.85 以上，代价是 Recall 会按预期下降。)
以上内容撰写使用LLM生成，以上代码可直接在kaggle上运行，以上数据均为实际运行结果，已测试通过。