情绪分类任务，通常为输入一段句子或一段话，识别该句话情绪类别的模型。 在用户评价、观点抽取、意图识别中往往起到重要作用。
模型基于Structbert-large-chinese，在情绪分类的数据集上fine-tune得到。 模型可识别的情绪包含（恐惧、愤怒、厌恶、喜好、悲伤、高兴、惊讶）七种类别。
你可以使用StructBERT中文情绪分类模型，对通用领域的中文情绪分类任务进行推理。 输入自然语言文本，模型会给出该文本的情绪分类标签以及相应的概率。
在安装完成ModelScope之后即可使用
from modelscope.pipelines import pipeline
from modelscope.utils.constant import Tasks
semantic_cls = pipeline(Tasks.text_classification, 'damo/nlp_structbert_emotion-classification_chinese-large', model_revision='v1.0.0')
semantic_cls(input='新年快乐！')模型训练数据有限，效果可能存在一定偏差。
使用数据集分布情况如下：
| 高兴 | 悲伤 | 厌恶 | 喜好 | 恐惧 | 惊讶 | 愤怒 | 无明显情绪 | |
|---|---|---|---|---|---|---|---|---|
| 训练集 | 10610 | 13418 | 6909 | 8236 | 820 | 1664 | 5312 | 32071 |
| 验证集 | 1326 | 1677 | 863 | 1029 | 102 | 207 | 663 | 4008 |
该模型在验证集上的f1为0.5784。
@article{wang2019structbert,
title={Structbert: Incorporating language structures into pre-training for deep language understanding},
author={Wang, Wei and Bi, Bin and Yan, Ming and Wu, Chen and Bao, Zuyi and Xia, Jiangnan and Peng, Liwei and Si, Luo},
journal={arXiv preprint arXiv:1908.04577},
year={2019}
}本模型已在华为昇腾 Ascend910 NPU 上完成适配验证。精度 95.24%（20/21样本正确），平均延迟 12.4ms，最高吞吐 1106 样本/秒（batch=16）。
NPU vs CPU 精度对比（CPU 为基线，NPU 为验证目标）：
| 指标 | 数值 |
|---|---|
| 测试用例数 | 6 |
| 最大 logits 差异 | 0.00378326 |
| 预测一致性 | 6/6 (100%) |
| 精度要求 | NPU vs CPU 最大 logits 误差 < 1% |
| 精度结论 | 通过 (差异 小于 1%) |
精度评测源代码和日志详见 eval/ 目录。