Funnyworld1412's picture
Add SetFit ABSA model
9f6408f verified
metadata
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 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 classifying aspect polarities.

The model has been trained using an efficient few-shot learning technique that involves:

  1. Fine-tuning a Sentence Transformer 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 Sources

Model Labels

Label Examples
Negative
  • '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'
  • ',, 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.'
  • '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.'
Positive
  • '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.'
  • '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.'
  • '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.'

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(
    "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.")

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

@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}
}