cat_v5c_s2

Это DeBERTa-v3-base, дообученный YoussefHarrabi для разметки предложений из отзывов об отелях Туниса. Модель мультилейбл: семь независимых sigmoid-выходов отмечают все категории, присутствующие в предложении. Размер — около 0,18 млрд параметров.

🔥 Ключевые особенности

• 🐱 Семь меток: Room & Property, Food & Drink, Staff & Service, Location, Pool & Beach, Spa & Wellness, Entertainment & Animation.
• ✔ Мультилейбл, а не sentiment: одно предложение может получить несколько категорий.
• 📍 Location предсказывается, но считается non-actionable: её исключают из дашборда, UI и итогового скора.
• 📚 Обучение на ручной разметке публичных отзывов об отелях Туниса; проверка — на отложенном отеле.
• ❌ Ограничения: только английский, только гостиничный домен, максимум 128 токенов.
• ❌ Это не sentiment-модель и не скорер отзыва целиком.

💻 Пример

import torch
from transformers import AutoModelForSequenceClassification, AutoTokenizer

model_id = 'YoussefHarrabi/cat_v5c_s2'
tok = AutoTokenizer.from_pretrained(model_id)
model = AutoModelForSequenceClassification.from_pretrained(model_id).eval()
text = 'The room was clean but the air conditioning was noisy.'
logits = model(**tok(text, return_tensors='pt', truncation=True, max_length=128)).logits

Подробнее

Бенчмарки на отложенном отеле: micro F1 0.903, macro F1 0.905 (шесть actionable-категорий, Location исключена).
Ограничения: только английский, только отели, анализ по одному предложению, максимум 128 токенов.
Пороги лежат в thresholds.json; from_pretrained их не применяет.
Данные обучения и gold-разметка не опубликованы; требования к VRAM не указаны.