Bert Base Arabic Camelbert Mix Sentiment

🚀 CAMeLBERT Mix SAモデル

CAMeLBERT Mix SAモデル は、CAMeLBERT Mix モデルをファインチューニングして構築された感情分析（SA）モデルです。 ファインチューニングには、ASTD、ArSAS、および SemEval のデータセットを使用しました。 私たちのファインチューニング手順と使用したハイパーパラメータは、論文 "The Interplay of Variant, Size, and Task Type in Arabic Pre-trained Language Models" で確認できます。ファインチューニングコードは こちら で入手できます。

🚀 クイックスタート

CAMeLBERT Mix SAモデルは、CAMeL Tools のSAコンポーネントの一部として直接使用することができます（推奨）。または、transformersパイプラインの一部として使用することもできます。

✨ 主な機能

• CAMeL ToolsのSAコンポーネントとして使用可能
• transformersパイプラインとしても使用可能

📦 インストール

モデルをダウンロードするには、transformers>=3.5.0 が必要です。そうでない場合は、手動でモデルをダウンロードすることができます。

💻 使用例

基本的な使用法

>>> from camel_tools.sentiment import SentimentAnalyzer
>>> sa = SentimentAnalyzer("CAMeL-Lab/bert-base-arabic-camelbert-mix-sentiment")
>>> sentences = ['أنا بخير', 'أنا لست بخير']
>>> sa.predict(sentences)
>>> ['positive', 'negative']

高度な使用法

>>> from transformers import pipeline
>>> sa = pipeline('sentiment-analysis', model='CAMeL-Lab/bert-base-arabic-camelbert-mix-sentiment')
>>> sentences = ['أنا بخير', 'أنا لست بخير']
>>> sa(sentences)
[{'label': 'positive', 'score': 0.9616648554801941},
 {'label': 'negative', 'score': 0.9779177904129028}]

📄 ライセンス

このモデルはApache-2.0ライセンスの下で提供されています。

📚 ドキュメント

引用

@inproceedings{inoue-etal-2021-interplay,
    title = "The Interplay of Variant, Size, and Task Type in {A}rabic Pre-trained Language Models",
    author = "Inoue, Go  and
      Alhafni, Bashar  and
      Baimukan, Nurpeiis  and
      Bouamor, Houda  and
      Habash, Nizar",
    booktitle = "Proceedings of the Sixth Arabic Natural Language Processing Workshop",
    month = apr,
    year = "2021",
    address = "Kyiv, Ukraine (Online)",
    publisher = "Association for Computational Linguistics",
    abstract = "In this paper, we explore the effects of language variants, data sizes, and fine-tuning task types in Arabic pre-trained language models. To do so, we build three pre-trained language models across three variants of Arabic: Modern Standard Arabic (MSA), dialectal Arabic, and classical Arabic, in addition to a fourth language model which is pre-trained on a mix of the three. We also examine the importance of pre-training data size by building additional models that are pre-trained on a scaled-down set of the MSA variant. We compare our different models to each other, as well as to eight publicly available models by fine-tuning them on five NLP tasks spanning 12 datasets. Our results suggest that the variant proximity of pre-training data to fine-tuning data is more important than the pre-training data size. We exploit this insight in defining an optimized system selection model for the studied tasks.",
}

⚠️ 重要な注意

モデルをダウンロードするには、transformers>=3.5.0 が必要です。そうでない場合は、手動でモデルをダウンロードすることができます。