fine grained sentiment app streamlit

用于细粒度情感分类的 Streamlit 解释器应用程序

此存储库包含现有交互式应用程序的 Streamlit 等效项，它解释了细粒度情感分类的结果，本中系列中对此进行了详细描述。

实现了许多分类器，并使用 LIME 解释器解释了它们的结果。分类器在斯坦福情感树库 (SST-5) 数据集上进行训练。类标签可以是[1, 2, 3, 4, 5]中的任意一个，其中1非常负， 5非常正。

为什么选择 Streamlit？

Streamlit 是一个轻量级、简约的框架，用于用 Python 构建仪表板。 Streamlit 的主要重点是为开发人员提供使用尽可能少的代码行快速构建 UI 设计原型的能力。部署 Web 应用程序通常需要的所有繁重工作（例如定义后端服务器及其路由、处理 HTTP 请求等）都从用户手中抽象出来。因此，无论开发人员的经验如何，快速实现 Web 应用程序都变得非常容易。

安装

首先，设置虚拟环境并从requirements.txt安装：

 python3 -m venv venv
source venv/bin/activate
pip3 install -r requirements.txt

如需进一步开发，只需激活现有的虚拟环境即可。

 source venv/bin/activate

用法

设置并激活虚拟环境后，使用以下命令运行应用程序。

streamlit run app.py

输入一个句子，选择分类器类型，然后单击Explain results按钮。然后我们可以观察有助于分类器预测特定类标签的特征（即单词或标记）。

前端演示

前端应用程序接收文本示例并输出不同方法的 LIME 解释。该应用程序是使用 Heroku 在此位置部署的：https://sst5-explainer-streamlit.herokuapp.com/

使用您自己的文本示例（如下所示）并查看细粒度情感结果的解释！

注意：由于基于 PyTorch 的模型（Flair 和因果变换器）运行推理的成本相当昂贵（它们需要 GPU），因此未部署这些方法。但是，它们可以在应用程序的本地实例上运行。