Bert Base Arabic Camelbert Msa

🚀 CAMeLBERT：用於阿拉伯語自然語言處理任務的預訓練模型集合

CAMeLBERT 是一系列針對阿拉伯語文本進行預訓練的 BERT 模型，具有不同的規模和變體。我們發佈了針對現代標準阿拉伯語（MSA）、方言阿拉伯語（DA）和古典阿拉伯語（CA）的預訓練語言模型，此外還有一個基於這三種語言混合數據進行預訓練的模型。我們還提供了在縮減版 MSA 變體數據集（二分之一、四分之一、八分之一和十六分之一）上預訓練的額外模型。詳細內容請參考論文 "The Interplay of Variant, Size, and Task Type in Arabic Pre-trained Language Models"。

本模型卡片介紹的是 CAMeLBERT - MSA (bert-base-arabic-camelbert-msa)，這是一個在整個 MSA 數據集上預訓練的模型。

🚀 快速開始

你可以使用發佈的模型進行掩碼語言建模或下一句預測任務。不過，該模型主要用於在自然語言處理任務（如命名實體識別（NER）、詞性標註（POS）、情感分析、方言識別和詩歌分類）上進行微調。我們在 此處 發佈了微調代碼。

✨ 主要特性

• 提供多種阿拉伯語變體（現代標準阿拉伯語、方言阿拉伯語、古典阿拉伯語）的預訓練模型。
• 提供不同規模的模型，包括基於縮減版 MSA 數據集預訓練的模型。
• 可用於多種自然語言處理任務。

📦 安裝指南

要下載我們的模型，你需要 transformers>=3.5.0。否則，你可以手動下載模型。

💻 使用示例

基礎用法

以下是如何使用該模型進行掩碼語言建模的示例：

>>> from transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='CAMeL-Lab/bert-base-arabic-camelbert-msa')
>>> unmasker("الهدف من الحياة هو [MASK] .")
[{'sequence': '[CLS] الهدف من الحياة هو العمل. [SEP]',
  'score': 0.08507660031318665,
  'token': 2854,
  'token_str': 'العمل'},
 {'sequence': '[CLS] الهدف من الحياة هو الحياة. [SEP]',
  'score': 0.058905381709337234,
  'token': 3696, 'token_str': 'الحياة'},
 {'sequence': '[CLS] الهدف من الحياة هو النجاح. [SEP]',
  'score': 0.04660581797361374, 'token': 6232,
  'token_str': 'النجاح'},
 {'sequence': '[CLS] الهدف من الحياة هو الربح. [SEP]',
  'score': 0.04156001657247543,
  'token': 12413, 'token_str': 'الربح'},
 {'sequence': '[CLS] الهدف من الحياة هو الحب. [SEP]',
  'score': 0.03534102067351341,
  'token': 3088,
  'token_str': 'الحب'}]

高級用法

以下是如何在 PyTorch 中使用該模型獲取給定文本特徵的示例：

from transformers import AutoTokenizer, AutoModel
tokenizer = AutoTokenizer.from_pretrained('CAMeL-Lab/bert-base-arabic-camelbert-msa')
model = AutoModel.from_pretrained('CAMeL-Lab/bert-base-arabic-camelbert-msa')
text = "مرحبا يا عالم."
encoded_input = tokenizer(text, return_tensors='pt')
output = model(**encoded_input)

在 TensorFlow 中的使用示例：

from transformers import AutoTokenizer, TFAutoModel
tokenizer = AutoTokenizer.from_pretrained('CAMeL-Lab/bert-base-arabic-camelbert-msa')
model = TFAutoModel.from_pretrained('CAMeL-Lab/bert-base-arabic-camelbert-msa')
text = "مرحبا يا عالم."
encoded_input = tokenizer(text, return_tensors='tf')
output = model(encoded_input)

📚 詳細文檔

模型詳情

訓練數據

• 現代標準阿拉伯語（MSA）
  • The Arabic Gigaword Fifth Edition
  • Abu El - Khair Corpus
  • OSIAN corpus
  • 阿拉伯語維基百科
  • 未打亂版本的阿拉伯語 OSCAR 語料庫

訓練過程

我們使用谷歌發佈的 原始實現 進行預訓練。除非另有說明，否則我們遵循原始英文 BERT 模型的超參數進行預訓練。

預處理

• 從每個語料庫中提取原始文本後，我們進行以下預處理步驟：
  • 首先，使用 原始 BERT 實現 提供的工具移除無效字符並規範化空格。
  • 移除沒有任何阿拉伯字符的行。
  • 使用 CAMeL Tools 移除變音符號和 kashida。
  • 最後，使用基於啟發式的句子分割器將每行分割成句子。
  • 使用 HuggingFace 的分詞器 在整個數據集（167 GB 文本）上訓練一個 WordPiece 分詞器，詞彙表大小為 30,000。
  • 我們不將字母小寫，也不去除重音。

預訓練

• 該模型在單個雲 TPU (v3 - 8) 上總共訓練了一百萬個步驟。
• 前 90,000 步的批量大小為 1,024，其餘步驟的批量大小為 256。
• 90% 的步驟中序列長度限制為 128 個標記，其餘 10% 為 512 個標記。
• 我們使用全詞掩碼，重複因子為 10。
• 對於最大序列長度為 128 個標記的數據集，每個序列的最大預測數設置為 20；對於最大序列長度為 512 個標記的數據集，設置為 80。
• 我們使用隨機種子 12345，掩碼語言模型的概率為 0.15，短序列的概率為 0.1。
• 使用的優化器是 Adam，學習率為 1e - 4，\(\beta_{1} = 0.9\)，\(\beta_{2} = 0.999\)，權重衰減為 0.01，學習率在 10,000 步內預熱，之後線性衰減。

評估結果

• 我們在五個自然語言處理任務（命名實體識別、詞性標註、情感分析、方言識別和詩歌分類）上評估了我們的預訓練語言模型。
• 使用 12 個數據集對模型進行微調並評估。
• 使用 Hugging Face 的 transformers 庫對我們的 CAMeLBERT 模型進行微調。
• 使用 transformers v3.1.0 和 PyTorch v1.5.1。
• 微調是通過在最後一個隱藏層添加一個全連接線性層來完成的。
• 所有任務都使用 \(F_{1}\) 分數作為評估指標。
• 微調使用的代碼可在 此處 獲取。

結果

結果（平均值）

[1]：變體平均是指對同一語言變體的一組任務的平均值。

🔧 技術細節

本研究得到了谷歌 TensorFlow 研究雲（TFRC）的雲 TPU 支持。

📄 許可證

本項目採用 Apache - 2.0 許可證。

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.",
}