← 日本語AIモデル開発支援

日本語感情極性分類モデル

japan-opendata/ja-sentiment-v1

日本語テキストの感情極性を、ポジティブ・中立・ネガティブの3クラスの確率で返す小型の分類モデルです。レビューの集計、SNS や問い合わせの一次仕分け、アンケート自由記述の傾向把握など、実務のパイプラインに組み込む部品として作りました。

ライセンス Apache 2.0タスク text-classificationクラス ポジティブ・中立・ネガティブの3クラス言語 jaベース modernbert-ja-130m
Hugging Face で入手する ↗ 使い方のコード例 ↓ Kaggle で見る ↗ GitHub でコードを見る ↗

学習データは全て合成で、ライセンスが商用クリーンな材料だけで組み立てています。出所の分からないレビュー収集物や、研究限定のデータセットは使っていません。確率の較正誤差(ECE)は 0.005 程度と小さいため、確率をそのままスコアとして使いやすい形になっています。

ブラウザで試す(デモ) ↗

クイックスタート

参照実装 examples/infer_sentiment.py が PyTorch と ONNX の両対応で同梱されています。テキストを渡すと、negative / neutral / positive の確率を返します。ラベルの対応は inference_config.json に記載しています。モデルの読み込みは次のとおりです。

from transformers import AutoModelForSequenceClassification, AutoTokenizer

tokenizer = AutoTokenizer.from_pretrained("japan-opendata/ja-sentiment-v1")
model = AutoModelForSequenceClassification.from_pretrained("japan-opendata/ja-sentiment-v1")

ONNX 版(onnx/model.onnx、fp32)も同梱しています。

実測

数字はすべて実測で、測定条件とあわせて掲載します。

正解率(封印テスト)

0.9940

Macro F1(封印テスト)

0.9940

正解率(人手確認評価600件)

0.9933

極性の取り違え(封印テスト)

2件 / 5,000件

CPU 速度(ONNX FP32)

約17.8 ms/件

ダウンロード数(HF実測、2026-11-21 時点)

0

測定条件: 封印テストは 5,000件で、学習とはサブトピック単位で分離し、最終評価は1回限りです。人手確認評価は 600件を全件目視確認したセットで、正解率 0.9933、ポジティブとネガティブの取り違えは 0件でした。ONNX 版(FP32、opset 17)は PyTorch 版と dev・封印テスト各 200件で予測が完全一致し、CPU 速度は Intel Core i7-11700F での値です。INT8 版は同梱していません。評価セットは合成データ由来で、実在レビューとは分布も「中立」の定義も異なる前提で見てください。

既存の日本語感情分類モデルとの比較(同一条件)

仕様

ベースモデル
sbintuitions/modernbert-ja-130m(MIT)
学習データ
Apache 2.0/MIT のオープンウェイト LLM で生成し、生成とは別のモデルの独立検証を通した合成文だけです。無作為 200件の監査では、ラベル妥当性 97.5%、日本語の自然さ 93.5% でした。ドメインは商品レビュー、宿泊・飲食、SNS 風の短文、サポートへの感想、アプリ評価などを散らし、否定形・両面評価・控えめな不満といった難例を約6割含めています。WRIME(研究限定)や chABSA 系(CC BY-NC-SA)、出所不明のレビュー収集物は使っていません
同梱物
PyTorch モデルと ONNX FP32(opset 17、INT8 版はなし)、inference_config.json、参照実装 examples/infer_sentiment.py
ライセンス
Apache 2.0

制限と注意