Bert Base Arabertv01

🚀 AraBERT v1 & v2：用於阿拉伯語理解的BERT預訓練模型

AraBERT 是一個基於 谷歌的BERT架構 的阿拉伯語預訓練語言模型。AraBERT使用與BERT - Base相同的配置。更多細節可在 AraBERT論文 和 AraBERT Meetup 中查看。

本項目有兩個版本的模型，AraBERTv0.1和AraBERTv1，區別在於AraBERTv1使用預分割文本，其中前綴和後綴使用 Farasa分割器 進行分割。

我們在不同的下游任務上對AraBERT模型進行評估，並將其與 mBERT 以及其他最先進的模型進行比較（就我們所知）。這些任務包括在6個不同數據集上的情感分析（[HARD](https://github.com/elnagara/HARD - Arabic - Dataset)、[ASTD - Balanced](https://www.aclweb.org/anthology/D15 - 1299)、[ArsenTD - Lev](https://staff.aub.edu.lb/~we07/Publications/ArSentD - LEV_Sentiment_Corpus.pdf)、LABR）、使用 ANERcorp 進行命名實體識別，以及在 Arabic - SQuAD和ARCD 上進行阿拉伯語問答。

🚀 快速開始

預訓練數據

預訓練數據用於新的AraBERT模型，同時也用於阿拉伯語的 GPT2和ELECTRA。數據集包含77GB、200,095,961行、8,655,948,860個單詞或82,232,988,358個字符（在應用Farasa分割之前）。

對於新數據集，我們在之前AraBERTv1使用的數據集基礎上，添加了經過徹底過濾的未打亂的OSCAR語料庫，但不包括之前爬取的網站：

• 未打亂並經過過濾的OSCAR語料庫。
• [2020年9月1日的阿拉伯語維基百科轉儲](https://archive.org/details/arwiki - 20190201)
• [15億單詞的阿拉伯語語料庫](https://www.semanticscholar.org/paper/1.5 - billion - words - Arabic - Corpus - El - Khair/f3eeef4afb81223df96575adadf808fe7fe440b4)
• [OSIAN語料庫](https://www.aclweb.org/anthology/W19 - 4619)
• Assafir新聞文章。非常感謝Assafir提供數據。

預處理

建議在任何數據集上進行訓練/測試之前應用我們的預處理函數。 安裝farasapy以對AraBERT v1和v2進行文本分割 pip install farasapy

from arabert.preprocess import ArabertPreprocessor

model_name="bert-base-arabertv01"
arabert_prep = ArabertPreprocessor(model_name=model_name)

text = "ولن نبالغ إذا قلنا إن هاتف أو كمبيوتر المكتب في زمننا هذا ضروري"
arabert_prep.preprocess(text)

支持的模型

bert-base-arabertv01
bert-base-arabert
bert-base-arabertv02
bert-base-arabertv2
bert-large-arabertv02
bert-large-arabertv2
araelectra-base
aragpt2-base
aragpt2-medium
aragpt2-large
aragpt2-mega

TensorFlow 1.x模型

TF1.x模型可在HuggingFace模型倉庫中獲取。你可以按以下方式下載：

• 通過git - lfs：在一個倉庫中克隆所有模型

curl -s https://packagecloud.io/install/repositories/github/git-lfs/script.deb.sh | sudo bash
sudo apt-get install git-lfs
git lfs install
git clone https://huggingface.co/aubmindlab/MODEL_NAME
tar -C ./MODEL_NAME -zxvf /content/MODEL_NAME/tf1_model.tar.gz

其中 MODEL_NAME 是 aubmindlab 名下的任何模型。

• 通過 wget：
  • 訪問huggingface.co/models/aubmindlab/MODEL_NAME上的tf1_model.tar.gz文件。
  • 複製 oid sha256。
  • 然後運行 wget https://cdn-lfs.huggingface.co/aubmindlab/aragpt2-base/INSERT_THE_SHA_HERE（例如，對於 aragpt2-base：wget https://cdn-lfs.huggingface.co/aubmindlab/aragpt2-base/3766fc03d7c2593ff2fb991d275e96b81b0ecb2098b71ff315611d052ce65248）

✨ 主要特性

AraBERTv2新特性

新的變體

AraBERT現在有4種新變體來取代舊的v1版本：

所有模型都可以在 HuggingFace 模型頁面的 aubmindlab 名下找到。檢查點有PyTorch、TF2和TF1格式。

更好的預處理和新詞彙表

我們發現了AraBERTv1的詞片詞彙表存在一個問題。該問題源於在學習詞片詞彙表時，標點符號和數字仍然與單詞相連。現在我們在數字和字符之間以及標點符號周圍插入空格。

新詞彙表使用 tokenizers 庫中的 BertWordpieceTokenizer 學習，現在應該支持 transformers 庫中的快速分詞器實現。

注意：所有舊的BERT代碼應該可以與新的BERT一起使用，只需更改模型名稱並檢查新的預處理函數。 請閱讀 預處理函數 部分了解如何使用

更大的數據集和更多的計算資源

我們使用了大約3.5倍的數據，並進行了更長時間的訓練。 有關數據集來源，請參閱 數據集部分

📚 詳細文檔

引用

如果你使用了這個模型，請按以下方式引用我們： 谷歌學術的Bibtex引用有誤（缺少名稱），請使用以下內容：

@inproceedings{antoun2020arabert,
  title={AraBERT: Transformer-based Model for Arabic Language Understanding},
  author={Antoun, Wissam and Baly, Fady and Hajj, Hazem},
  booktitle={LREC 2020 Workshop Language Resources and Evaluation Conference 11--16 May 2020},
  pages={9}
}

致謝

感謝TensorFlow研究雲（TFRC）免費提供雲TPU訪問權限，沒有這個項目我們無法完成這項工作。感謝 AUB MIND實驗室 成員的持續支持。也感謝 Yakshof 和Assafir提供數據和存儲訪問權限。還要感謝Habib Rahal（https://www.behance.net/rahalhabib）為AraBERT設計了形象。

聯繫方式

Wissam Antoun：領英 | 推特 | Github | wfa07@mail.aub.edu | wissam.antoun@gmail.com

Fady Baly：領英 | 推特 | Github | fgb06@mail.aub.edu | baly.fady@gmail.com

⚠️ 重要提示

有該模型的新版本可用！AraBERTv02