Arabic Service-Review Sentiment (mBERT fine-tuned)

رابط النموذج: https://huggingface.co/lafi2099/arabic-service-review-sentiment

نموذج لتصنيف مشاعر تقييمات الخدمات العربية إلى إيجابي (positive) أو سلبي (negative)، ضمن مشروع نهاية مقرر أساسيات Hugging Face.

تفاصيل النموذج

• النموذج الأساسي: google-bert/bert-base-multilingual-cased (ترخيص Apache-2.0)
• المهمة: تصنيف نصي ثنائي (Sequence Classification)
• التسميات: 0 = negative، 1 = positive
• طريقة التخصيص: Fine-Tuning كامل باستخدام Trainer

البيانات

• المصدر: srinivasbilla/semeval-2016-absa-reviews-arabic — تقييمات فنادق عربية من SemEval-2016 Task 5 (ترخيص MIT)
• المعالجة: تجميع جوانب كل جملة واعتماد الجمل ذات المشاعر الموحدة فقط، تنظيف النص، حذف التكرارات والنصوص الأقصر من 3 كلمات، ثم موازنة الفئتين.
• الحجم: 3000 سجل متوازن — Train 2100 / Validation 450 / Test 450 (Seed = 42)

التدريب

النموذج المنشور هو exp2_lr5e-5 (الأعلى على Validation). الجهاز: NVIDIA GeForce RTX 5080 Laptop GPU.

النتائج على مجموعة الاختبار (450 تقييم)

طريقة الاستخدام

from transformers import pipeline
clf = pipeline("text-classification", model="lafi2099/arabic-service-review-sentiment")
clf("الغرفة نظيفة والموظفون متعاونون")

الاستخدامات المقصودة

• فرز تقييمات العملاء العربية آليًا ومتابعة اتجاهات الرضا في الفنادق والجهات الخدمية.
• أداة مساعدة للتحليل، وليست بديلًا عن المراجعة البشرية للشكاوى.

القيود

• البيانات من مجال الفنادق، وقد ينخفض الأداء في مجالات أخرى (مطاعم، متاجر، خدمات حكومية) أو مع اللهجات غير الممثلة جيدًا.
• النموذج ثنائي: لا يمثل الآراء المحايدة أو المختلطة (إيجابي وسلبي في نفس الجملة) بشكل صحيح.
• يتأثر بالسخرية والنفي المركب والتقييمات القصيرة جدًا.

الاعتبارات الأخلاقية

• لا تُستخدم مخرجاته لاتخاذ قرارات تمس أفرادًا (موظفين أو عملاء) دون مراجعة بشرية.
• البيانات عامة ومرخصة ولا تحتوي بيانات شخصية؛ يجب إزالة البيانات الشخصية من أي تقييمات جديدة قبل تحليلها.
• قد يحمل النموذج تحيزات لغوية من بيانات التدريب المسبق متعددة اللغات.