Bert Base Arabertv01

🚀 AraBERT v1 & v2：用于阿拉伯语理解的BERT预训练模型

AraBERT 是一个基于 谷歌的BERT架构 的阿拉伯语预训练语言模型。AraBERT使用与BERT - Base相同的配置。更多细节可在 AraBERT论文 和 AraBERT Meetup 中查看。

本项目有两个版本的模型，AraBERTv0.1和AraBERTv1，区别在于AraBERTv1使用预分割文本，其中前缀和后缀使用 Farasa分割器 进行分割。

我们在不同的下游任务上对AraBERT模型进行评估，并将其与 mBERT 以及其他最先进的模型进行比较（就我们所知）。这些任务包括在6个不同数据集上的情感分析（[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 进行命名实体识别，以及在 Arabic - SQuAD和ARCD 上进行阿拉伯语问答。

🚀 快速开始

预训练数据

预训练数据用于新的AraBERT模型，同时也用于阿拉伯语的 GPT2和ELECTRA。数据集包含77GB、200,095,961行、8,655,948,860个单词或82,232,988,358个字符（在应用Farasa分割之前）。

对于新数据集，我们在之前AraBERTv1使用的数据集基础上，添加了经过彻底过滤的未打乱的OSCAR语料库，但不包括之前爬取的网站：

• 未打乱并经过过滤的OSCAR语料库。
• [2020年9月1日的阿拉伯语维基百科转储](https://archive.org/details/arwiki - 20190201)
• [15亿单词的阿拉伯语语料库](https://www.semanticscholar.org/paper/1.5 - billion - words - Arabic - Corpus - El - Khair/f3eeef4afb81223df96575adadf808fe7fe440b4)
• [OSIAN语料库](https://www.aclweb.org/anthology/W19 - 4619)
• Assafir新闻文章。非常感谢Assafir提供数据。

预处理

建议在任何数据集上进行训练/测试之前应用我们的预处理函数。 安装farasapy以对AraBERT v1和v2进行文本分割 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模型仓库中获取。你可以按以下方式下载：

• 通过git - lfs：在一个仓库中克隆所有模型

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。

• 通过 wget：
  • 访问huggingface.co/models/aubmindlab/MODEL_NAME上的tf1_model.tar.gz文件。
  • 复制 oid sha256。
  • 然后运行 wget https://cdn-lfs.huggingface.co/aubmindlab/aragpt2-base/INSERT_THE_SHA_HERE（例如，对于 aragpt2-base：wget https://cdn-lfs.huggingface.co/aubmindlab/aragpt2-base/3766fc03d7c2593ff2fb991d275e96b81b0ecb2098b71ff315611d052ce65248）

✨ 主要特性

AraBERTv2新特性

新的变体

AraBERT现在有4种新变体来取代旧的v1版本：

所有模型都可以在 HuggingFace 模型页面的 aubmindlab 名下找到。检查点有PyTorch、TF2和TF1格式。

更好的预处理和新词汇表

我们发现了AraBERTv1的词片词汇表存在一个问题。该问题源于在学习词片词汇表时，标点符号和数字仍然与单词相连。现在我们在数字和字符之间以及标点符号周围插入空格。

新词汇表使用 tokenizers 库中的 BertWordpieceTokenizer 学习，现在应该支持 transformers 库中的快速分词器实现。

注意：所有旧的BERT代码应该可以与新的BERT一起使用，只需更改模型名称并检查新的预处理函数。 请阅读 预处理函数 部分了解如何使用

更大的数据集和更多的计算资源

我们使用了大约3.5倍的数据，并进行了更长时间的训练。 有关数据集来源，请参阅 数据集部分

📚 详细文档

引用

如果你使用了这个模型，请按以下方式引用我们： 谷歌学术的Bibtex引用有误（缺少名称），请使用以下内容：

@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}
}

致谢

感谢TensorFlow研究云（TFRC）免费提供云TPU访问权限，没有这个项目我们无法完成这项工作。感谢 AUB MIND实验室 成员的持续支持。也感谢 Yakshof 和Assafir提供数据和存储访问权限。还要感谢Habib Rahal（https://www.behance.net/rahalhabib）为AraBERT设计了形象。

联系方式

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

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

⚠️ 重要提示

有该模型的新版本可用！AraBERTv02