Bert Base Arabertv02

🚀 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採用了與BERT-Base相同的配置。更多細節可在 AraBERT論文 和 AraBERT線上活動 中查看。

該模型有兩個版本，即AraBERTv0.1和AraBERTv1，區別在於AraBERTv1使用的是預分割文本，其中前綴和後綴是使用 Farasa分割器 進行分割的。

我們在不同的下游任務上對AraBERT模型進行了評估，並將其與 mBERT 以及其他先進模型進行了比較（就我們所知）。這些任務包括在6個不同數據集上進行情感分析（HARD、ASTD-Balanced、ArsenTD-Lev、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。

✨ 主要特性

AraBERTv2

新增特性

AraBERT現在有4個新變體，用以取代舊的v1版本： 更多細節可在AraBERT文件夾、README 和 AraBERT論文 中查看。

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。

更優的預處理和新詞彙表

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

新的詞彙表是使用 tokenizers 庫中的 BertWordpieceTokenizer 學習得到的，現在應該支持 transformers 庫中的快速分詞器實現。

注意：所有舊的BERT代碼應該都能與新的BERT兼容，只需更改模型名稱並查看新的預處理函數即可。 請閱讀 預處理函數使用說明 部分。

更大的數據集和更多的計算資源

我們使用了約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。

數據集

用於新AraBERT模型的預訓練數據也用於阿拉伯語 GPT2和ELECTRA。

該數據集包含77GB數據，即2億零95,961行、86億5594萬8860個單詞或822億3298萬8358個字符（在應用Farasa分割之前）。

對於新數據集，我們在之前用於AraBERTv1的數據集基礎上，添加了未打亂順序的OSCAR語料庫（經過徹底過濾），但不包括之前爬取的網站：

• 經過過濾的未打亂順序的OSCAR語料庫。
• 2020年9月1日的阿拉伯語維基百科轉儲
• 15億單詞的阿拉伯語語料庫
• OSIAN語料庫
• Assafir新聞文章。非常感謝Assafir為我們提供數據。

📦 安裝指南

建議在對任何數據集進行訓練/測試之前應用我們的預處理函數。

安裝arbert Python包，以便為AraBERT v1和v2分割文本或清理數據 pip install arabert

💻 使用示例

基礎用法

from arabert.preprocess import ArabertPreprocessor

model_name="aubmindlab/bert-large-arabertv02"
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)

>>> output: ولن نبالغ إذا قلنا : إن هاتف أو كمبيوتر المكتب في زمننا هذا ضروري

📚 詳細文檔

TensorFlow 1.x模型

TF1.x模型可在HuggingFace模型倉庫中找到。 你可以按以下方式下載它們：

• 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）

引用說明

如果您使用了此模型，請按以下方式引用我們： Google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，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。同時感謝 Yakshof 和Assafir提供的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