昇思11天

基于 MindSpore 实现 BERT 对话情绪识别

BERT模型概述

BERT(Bidirectional Encoder Representations from Transformers)是由Google于2018年开发并发布的一种新型语言模型。BERT在许多自然语言处理(NLP)任务中发挥着重要作用,例如问答、命名实体识别、自然语言推理和文本分类。BERT基于Transformer中的Encoder,并采用了双向的结构,因此掌握Transformer的Encoder结构是理解BERT的基础。

BERT模型的主要创新点

BERT模型的主要创新点在于其预训练方法,即使用了**Masked Language Model(MLM)Next Sentence Prediction(NSP)**两种方法来分别捕捉词语和句子级别的表征(representation)。

Masked Language Model(MLM)

在MLM训练中,随机将语料库中15%的单词进行Mask操作。具体操作如下:

  • 80%的单词直接用[Mask]替换。
  • 10%的单词替换成其他随机的单词。
  • 10%的单词保持不变。

通过这种方式,模型需要预测被Mask的词,从而捕捉到单词级别的语义信息。

Next Sentence Prediction(NSP)

NSP的目的是让模型理解两个句子之间的联系。训练的输入是句子A和B,B有一半的几率是A的下一句。通过预测B是否为A的下一句,模型能够学习到句子级别的语义关系。

BERT的预训练和Fine-tuning

BERT预训练之后,会保存其Embedding table和12层Transformer权重(BERT-BASE)或24层Transformer权重(BERT-LARGE)。预训练好的BERT模型可以用于下游任务的Fine-tuning,如文本分类、相似度判断和阅读理解等。

对话情绪识别(EmoTect)

对话情绪识别(Emotion Detection,简称EmoTect) ,旨在识别智能对话场景中的用户情绪。针对用户文本,自动判断其情绪类别并给出相应的置信度。情绪类型一般分为积极、消极和中性。对话情绪识别适用于聊天、客服等多个场景,帮助企业更好地把握对话质量、改善用户交互体验,分析客服服务质量并降低人工质检成本。

步骤:通过 BertForSequenceClassification 构建用于情感分类的 BERT 模型,加载预训练权重,设置情感三分类的超参数自动构建模型。后面对模型采用自动混合精度操作,提高训练的速度,然后实例化优化器,紧接着实例化评价指标,设置模型训练的权重保存策略,最后就是构建训练器,模型开始训练。

有构建好的,直接调用:

from mindnlp.transformers import BertForSequenceClassification, BertModel

相关推荐
Elastic 中国社区官方博客7 分钟前
Elasticsearch Open Inference API 增加了对 Jina AI 嵌入和 Rerank 模型的支持
大数据·人工智能·elasticsearch·搜索引擎·ai·全文检索·jina
美狐美颜sdk29 分钟前
直播美颜工具架构设计与性能优化实战:美颜SDK集成与实时处理
深度学习·美颜sdk·第三方美颜sdk·视频美颜sdk·美颜api
AWS官方合作商34 分钟前
Amazon Lex:AI对话引擎重构企业服务新范式
人工智能·ai·机器人·aws
workflower38 分钟前
Prompt Engineering的重要性
大数据·人工智能·设计模式·prompt·软件工程·需求分析·ai编程
curemoon1 小时前
理解都远正态分布中指数项的精度矩阵(协方差逆矩阵)
人工智能·算法·矩阵
胡桃不是夹子2 小时前
CPU安装pytorch(别点进来)
人工智能·pytorch·python
Fansv5872 小时前
深度学习-6.用于计算机视觉的深度学习
人工智能·深度学习·计算机视觉
xjxijd2 小时前
AI 为金融领域带来了什么突破?
人工智能·其他
SKYDROID云卓小助手2 小时前
无人设备遥控器之如何分享数传篇
网络·人工智能·算法·计算机视觉·电脑
deephub2 小时前
LLM高效推理:KV缓存与分页注意力机制深度解析
人工智能·深度学习·语言模型