Bert Base Arabertv02

🚀 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采用了与BERT-Base相同的配置。更多细节可在 AraBERT论文 和 AraBERT线上活动 中查看。

该模型有两个版本，即AraBERTv0.1和AraBERTv1，区别在于AraBERTv1使用的是预分割文本，其中前缀和后缀是使用 Farasa分割器 进行分割的。

我们在不同的下游任务上对AraBERT模型进行了评估，并将其与 mBERT 以及其他先进模型进行了比较（就我们所知）。这些任务包括在6个不同数据集上进行情感分析（HARD、ASTD-Balanced、ArsenTD-Lev、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。

✨ 主要特性

AraBERTv2

新增特性

AraBERT现在有4个新变体，用以取代旧的v1版本： 更多细节可在AraBERT文件夹、README 和 AraBERT论文 中查看。

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。

更优的预处理和新词汇表

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

新的词汇表是使用 tokenizers 库中的 BertWordpieceTokenizer 学习得到的，现在应该支持 transformers 库中的快速分词器实现。

注意：所有旧的BERT代码应该都能与新的BERT兼容，只需更改模型名称并查看新的预处理函数即可。 请阅读 预处理函数使用说明 部分。

更大的数据集和更多的计算资源

我们使用了约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。

数据集

用于新AraBERT模型的预训练数据也用于阿拉伯语 GPT2和ELECTRA。

该数据集包含77GB数据，即2亿零95,961行、86亿5594万8860个单词或822亿3298万8358个字符（在应用Farasa分割之前）。

对于新数据集，我们在之前用于AraBERTv1的数据集基础上，添加了未打乱顺序的OSCAR语料库（经过彻底过滤），但不包括之前爬取的网站：

• 经过过滤的未打乱顺序的OSCAR语料库。
• 2020年9月1日的阿拉伯语维基百科转储
• 15亿单词的阿拉伯语语料库
• OSIAN语料库
• Assafir新闻文章。非常感谢Assafir为我们提供数据。

📦 安装指南

建议在对任何数据集进行训练/测试之前应用我们的预处理函数。

安装arbert Python包，以便为AraBERT v1和v2分割文本或清理数据 pip install arabert

💻 使用示例

基础用法

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

📚 详细文档

TensorFlow 1.x模型

TF1.x模型可在HuggingFace模型仓库中找到。 你可以按以下方式下载它们：

• 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）

引用说明

如果您使用了此模型，请按以下方式引用我们： Google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，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。同时感谢 Yakshof 和Assafir提供的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