Bert Base Arabic Camelbert Da Poetry

🚀 CAMeLBERT-DA 詩分類モデル

CAMeLBERT-DA 詩分類モデルは、CAMeLBERT 方言アラビア語 (DA) モデルをファインチューニングして構築された詩分類モデルです。 ファインチューニングには、APCD 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見つけることができます。

🚀 クイックスタート

想定される用途

CAMeLBERT-DA 詩分類モデルは、transformers パイプラインの一部として使用できます。 このモデルは、近く CAMeL Tools でも利用可能になります。

使い方

transformers パイプラインでモデルを使用するには、以下のようにします。

>>> from transformers import pipeline
>>> poetry = pipeline('text-classification', model='CAMeL-Lab/bert-base-arabic-camelbert-da-poetry')
>>> # 各詩句が2つの部分から構成される詩句のリスト。
>>> verses = [
        ['الخيل والليل والبيداء تعرفني' ,'والسيف والرمح والقرطاس والقلم'],
        ['قم للمعلم وفه التبجيلا' ,'كاد المعلم ان يكون رسولا']
    ]
>>> # [SEP] トークンを使用して各詩句の半分を連結する関数。
>>> join_verse = lambda half: ' [SEP] '.join(half)
>>> # これをリスト内のすべての詩句に適用する。
>>> verses = [join_verse(verse) for verse in verses]
>>> poetry(sentences)
[{'label': 'البسيط', 'score': 0.9874765276908875},
 {'label': 'السلسلة', 'score': 0.6877778172492981}]

注意: 当社の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。

📚 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.",
}

📄 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。