Update README.md

README.md

@@ -1,6 +1,9 @@
 ---
-license: openrail
+license: apache-2.0
+language:
+- zh
 ---
+
 验证集准确度: 0.9382193411826961
 验证集分类报告: 
               precision    recall  f1-score   support
@@ -14,28 +17,30 @@ license: openrail
 weighted avg       0.94      0.94      0.94     15118
 
 大概使用了10w+的数据做了一个基金方面的中文情感分析模型，暂时测试下来还可以，负面方面的文本是有专人处理过的，中性的可能不准确。
+# 返回值解释：
 0: 'negative', 1: 'positive', 2: 'neutral'
 
 
-测试代码如下：
+
+# 测试代码如下：
 import sys
 import re
 import torch
 from transformers import BertTokenizer, BertForSequenceClassification
 from torch.nn.functional import softmax
 
-# 设定使用CPU或CUDA
+#设定使用CPU或CUDA
 device = 'cuda' if torch.cuda.is_available() else 'cpu'
 
-# 载入预先保存的模型和分词器
+#载入预先保存的模型和分词器
 model = BertForSequenceClassification.from_pretrained('sanshizhang/Chinese-Sentiment-Analysis-Fund-Direction')
 tokenizer = BertTokenizer.from_pretrained('sanshizhang/Chinese-Sentiment-Analysis-Fund-Direction')
 
-# 确保模型在正确的设备上
+#确保模型在正确的设备上
 model = model.to(device)
 model.eval()  # 把模型设置为评估模式
 
-# 函数定义：进行预测并返回预测概率
+#函数定义：进行预测并返回预测概率
 def predict_sentiment(text):
     # 编码文本数据
     encoding = tokenizer.encode_plus(
@@ -66,18 +71,18 @@ def predict_sentiment(text):
     # 返回概率和预测的类别
     return probs, torch.argmax(probs, dim=1).cpu().numpy()[0]
 
-# 从命令行参数获取文本，合并并清理特殊字符
+#从命令行参数获取文本，合并并清理特殊字符
 arguments = sys.argv[1:]  # 忽略脚本名称
 text = ' '.join(arguments)  # 合并为单一字符串
 text = re.sub(r"[^\u4e00-\u9fff\d.a-zA-Z%+\-。！？，、；：（）【】《》“”‘’]", '', text)  # 去除特殊字符
 
-# print(f"传过来的文本是: {text}")
-# 进行预测
+#print(f"传过来的文本是: {text}")
+#进行预测
 probabilities, prediction = predict_sentiment(text)
 
 sentiment_labels = {0: 'negative', 1: 'positive', 2: 'neutral'}
 
-# 打印出预测的情感及其概率
+#打印出预测的情感及其概率
 predicted_sentiment = sentiment_labels[prediction]
 print(f"Predicted sentiment: {predicted_sentiment},Probability:{probabilities[0][prediction].item()}")
-# print(f"Probability: {probabilities[0][prediction].item()}")
+#print(f"Probability: {probabilities[0][prediction].item()}")