中文购物评论情感分类（chinese-roberta-wwm-ext 微调）

由 hfl/chinese-roberta-wwm-ext 在 62,774 条中文购物/酒店评论（10 个品类，ChineseNlpCorpus online_shopping_10_cats）上微调的二分类情感模型。

完整实验报告与全部代码：https://github.com/zzz1280/chinese-review-sentiment

结果

跨领域场景下，仅用 100 条目标领域标注继续微调即可提升至 89.5%（顺序迁移），详见 GitHub 仓库中的少样本迁移实验。

使用

from transformers import pipeline

clf = pipeline('text-classification',
               model='zhuhua666/chinese-review-sentiment-roberta')
clf('质量非常好，物流也快，下次还来')
# [{'label': 'LABEL_1', 'score': 0.99}]   LABEL_1=好评, LABEL_0=差评
clf('用了一周就坏了，客服还不理人')
# [{'label': 'LABEL_0', 'score': ...}]

国内网络下载本模型请先设置镜像：export HF_ENDPOINT=https://hf-mirror.com（或运行前 os.environ['HF_ENDPOINT']='https://hf-mirror.com'）。

训练细节

• 数据：ChineseNlpCorpus online_shopping_10_cats（62,774 条；平板/水果/酒店/洗发水/衣服/手机/计算机/书籍/蒙牛/热水器）
• 划分：按品类分层 8:2（random_state=42），与 GitHub 仓库中的基线模型同口径，可直接对比
• 超参：max_length=128，batch=32，lr=2e-5，weight_decay=0.01，2 epochs，fp16，单卡 RTX 4060 约 9 分钟

局限性（重要）

1. 训练数据存在标签噪声：数据集中可复现地发现明显好评被标为「差评」的翻转标签（如「不错，挺实惠的」）。95% 的测试准确率可能已接近该数据的标签质量上限。
2. 多数品类被人工构造成正负各半：仅蒙牛、书籍、热水器是自然分布，「各品类差评率」类分析对这些品类无现实含义。
3. 领域偏移明显：换到外卖、政务、金融等评论域时性能会显著下降，建议用目标域少量标注继续微调（GitHub 仓库有完整实验：100 条即可拿回大部分损失）。
4. 仅针对中文电商/酒店评论文本，不适用于长文档或其他语言。

引用

如使用本模型，欢迎引用 GitHub 项目：

@misc{chinese-review-sentiment,
  author = {zzz1280},
  title = {中文购物评论情感分析全流程：EDA → BERT 微调 → 少样本跨领域迁移 → 多种子检验},
  year = {2026},
  url = {https://github.com/zzz1280/chinese-review-sentiment}
}