Bert Base Arabic Camelbert Msa Sixteenth

🚀 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預訓練的BERT模型，具有不同的規模和變體。這些模型可用於現代標準阿拉伯語（MSA）、方言阿拉伯語（DA）和古典阿拉伯語（CA）相關的自然語言處理任務，還提供了基於三者混合數據預訓練的模型。此外，還有基於縮減版MSA數據集（二分之一、四分之一、八分之一和十六分之一）預訓練的模型。詳細信息可參考論文 "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 - sixteenth (bert - base - arabic - camelbert - msa - sixteenth)，該模型基於完整MSA數據集的十六分之一進行預訓練。

🚀 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，它主要用於在自然語言處理任務（如命名實體識別、詞性標註、情感分析、方言識別和詩歌分類）上進行微調。我們在 [此處](https://github.com/CAMeL - Lab/CAMeLBERT) 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。
• 有不同規模的模型可供選擇，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

若要下載我們的模型，你需要 transformers>=3.5.0。若不滿足此條件，你可以手動下載模型。

💻 使用示例

基礎用法

你可以直接使用管道進行掩碼語言建模：

>>> from transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='CAMeL-Lab/bert-base-arabic-camelbert-msa-sixteenth')
>>> unmasker("الهدف من الحياة هو [MASK] .")
[{'sequence': '[CLS] الهدف من الحياة هو التغيير. [SEP]',
  'score': 0.08320745080709457,
  'token': 7946,
  'token_str': 'التغيير'},
 {'sequence': '[CLS] الهدف من الحياة هو التعلم. [SEP]',
  'score': 0.04305094853043556,
  'token': 12554,
  'token_str': 'التعلم'},
 {'sequence': '[CLS] الهدف من الحياة هو العمل. [SEP]',
  'score': 0.0417640283703804,
  'token': 2854,
  'token_str': 'العمل'},
 {'sequence': '[CLS] الهدف من الحياة هو الحياة. [SEP]',
  'score': 0.041371218860149384,
  'token': 3696,
  'token_str': 'الحياة'},
 {'sequence': '[CLS] الهدف من الحياة هو المعرفة. [SEP]',
  'score': 0.039794355630874634,
  'token': 7344,
  'token_str': 'المعرفة'}]

高級用法

以下是在PyTorch中使用該模型獲取給定文本特徵的方法：

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

在TensorFlow中的使用方法如下：

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

📚 詳細文檔

模型信息

模型變體及規模

訓練數據

• 現代標準阿拉伯語（MSA）
  • The Arabic Gigaword Fifth Edition
  • Abu El - Khair Corpus
  • OSIAN corpus
  • Arabic Wikipedia
  • 未打亂順序的阿拉伯語 [OSCAR語料庫](https://oscar - corpus.com/)

訓練過程

我們使用Google發佈的 [原始實現](https://github.com/google - research/bert) 進行預訓練，並遵循原始英文BERT模型的超參數，除非另有說明。

預處理

• 從每個語料庫提取原始文本後，進行以下預處理操作：
  • 使用 [原始BERT實現](https://github.com/google - research/bert/blob/eedf5716ce1268e56f0a50264a88cafad334ac61/tokenization.py#L286 - L297) 提供的工具，去除無效字符並規範化空格。
  • 去除不含阿拉伯字符的行。
  • 使用 [CAMeL Tools](https://github.com/CAMeL - Lab/camel_tools) 去除變音符號和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tokenizers 在整個數據集（167GB文本）上訓練一個詞彙量為30,000的WordPiece分詞器。
  • 不將字母小寫，也不去除重音。

預訓練

• 模型在單個雲TPU (v3 - 8) 上總共訓練了一百萬步。
• 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。
• 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。
• 使用隨機種子12345，掩碼語言模型概率為0.15，短序列概率為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步內熱身，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CAMeLBERT模型進行微調。
• 使用transformers v3.1.0 和PyTorch v1.5.1。
• 通過在最後一個隱藏層添加全連接線性層進行微調。
• 所有任務均使用 \(F_{1}\) 分數作為評估指標。
• 微調代碼可在 [此處](https://github.com/CAMeL - Lab/CAMeLBERT) 獲取。

評估結果詳情

平均評估結果

[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Google的TensorFlow Research Cloud（TFRC）提供的雲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.",
}