klue roberta news sentiment EU AI Act Compliance Profile

language:

• ko license: apache-2.0 tags:
• text-classification
• sentiment-analysis
• korean
• news
• finance datasets:
• custom metrics:
• accuracy
• f1 model-index:
• name: KLUE-RoBERTa News Sentiment results:
  • task: type: text-classification name: Sentiment Analysis metrics:
    • type: accuracy value: 0.8426 name: Accuracy
    • type: f1 value: 0.8468 name: F1-Macro

KLUE-RoBERTa 뉴스 기사 기업 감정분석 모델

모델 설명

이 모델은 뉴스 기사 속 특정 기업에 대한 감정(호재/악재/중립)을 분석하기 위해 fine-tuning된 KLUE-RoBERTa 모델입니다.

사용 목적

• 뉴스 기사에서 특정 기업에 대한 긍정/부정/중립 감정 자동 분류
• 금융 뉴스 감정 분석
• 기업 평판 모니터링

레이블

• 0: negative (악재/부정) - 해당 기업에 대한 부정적 내용
• 1: neutral (중립) - 해당 기업에 대한 중립적 내용
• 2: positive (호재/긍정) - 해당 기업에 대한 긍정적 내용

성능

| Metric | Score | |--------|-------| | Accuracy | 0.8426 | | F1-Macro | 0.8468 | | F1-Weighted | 0.8422 |

하이퍼파라미터 (Optuna로 최적화)

{
  "learning_rate": 9.78310992630157e-06,
  "num_train_epochs": 8,
  "weight_decay": 0.06436845335086991,
  "warmup_ratio": 0.10859899755289561,
  "per_device_train_batch_size": 32
}

사용 방법

from transformers import AutoTokenizer, AutoModelForSequenceClassification
import torch

# 모델 로드
model_name = "FISA-conclave/klue-roberta-news-sentiment"
tokenizer = AutoTokenizer.from_pretrained(model_name)
model = AutoModelForSequenceClassification.from_pretrained(model_name)

# 예측
text = "삼성전자의 3분기 실적이 시장 예상을 크게 상회했다."
inputs = tokenizer(text, return_tensors="pt", truncation=True, max_length=128)

with torch.no_grad():
    outputs = model(**inputs)
    probs = torch.softmax(outputs.logits, dim=1)[0]
    pred = torch.argmax(probs).item()

labels = {0: "negative", 1: "neutral", 2: "positive"}
print(f"예측: {labels[pred]} ({probs[pred]:.2%})")

학습 데이터

• 총 샘플 수: 9,992개
• 출처:
  • finance_sentiment_corpus
  • korfin-asc
  • twice_kr_fin

베이스 모델

• klue/roberta-base

인용

@misc{klue-roberta-news-s

Your obligations as a klue roberta news sentiment deployer

Track your progress

Sign up to track obligations, receive deadline reminders, and generate audit packages.

Tags

Languages