Bert Base Arabic Camelbert Msa Sixteenth

🚀 CAMeLBERT：用于阿拉伯语自然语言处理任务的预训练模型集合

CAMeLBERT是一系列针对阿拉伯语文本预训练的BERT模型，具有不同的规模和变体。这些模型可用于现代标准阿拉伯语（MSA）、方言阿拉伯语（DA）和古典阿拉伯语（CA）相关的自然语言处理任务，还提供了基于三者混合数据预训练的模型。此外，还有基于缩减版MSA数据集（二分之一、四分之一、八分之一和十六分之一）预训练的模型。详细信息可参考论文 "The Interplay of Variant, Size, and Task Type in Arabic Pre-trained Language Models"。

本模型卡片介绍的是 CAMeLBERT - MSA - sixteenth (bert - base - arabic - camelbert - msa - sixteenth)，该模型基于完整MSA数据集的十六分之一进行预训练。

🚀 快速开始

你可以使用发布的模型进行掩码语言建模或下一句预测任务。不过，它主要用于在自然语言处理任务（如命名实体识别、词性标注、情感分析、方言识别和诗歌分类）上进行微调。我们在 [此处](https://github.com/CAMeL - Lab/CAMeLBERT) 发布了微调代码。

✨ 主要特性

• 提供多种阿拉伯语变体（现代标准阿拉伯语、方言阿拉伯语、古典阿拉伯语）的预训练模型。
• 有不同规模的模型可供选择，包括基于缩减版MSA数据集预训练的模型。
• 可用于多种自然语言处理任务。

📦 安装指南

若要下载我们的模型，你需要 transformers>=3.5.0。若不满足此条件，你可以手动下载模型。

💻 使用示例

基础用法

你可以直接使用管道进行掩码语言建模：

>>> 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'}]

高级用法

以下是在PyTorch中使用该模型获取给定文本特征的方法：

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)

📚 详细文档

模型信息

模型变体及规模

训练数据

• 现代标准阿拉伯语（MSA）
  • The Arabic Gigaword Fifth Edition
  • Abu El - Khair Corpus
  • OSIAN corpus
  • Arabic Wikipedia
  • 未打乱顺序的阿拉伯语 [OSCAR语料库](https://oscar - corpus.com/)

训练过程

我们使用Google发布的 [原始实现](https://github.com/google - research/bert) 进行预训练，并遵循原始英文BERT模型的超参数，除非另有说明。

预处理

• 从每个语料库提取原始文本后，进行以下预处理操作：
  • 使用 [原始BERT实现](https://github.com/google - research/bert/blob/eedf5716ce1268e56f0a50264a88cafad334ac61/tokenization.py#L286 - L297) 提供的工具，去除无效字符并规范化空格。
  • 去除不含阿拉伯字符的行。
  • 使用 [CAMeL Tools](https://github.com/CAMeL - Lab/camel_tools) 去除变音符号和kashida。
  • 最后，使用基于启发式的句子分割器将每行分割成句子。
  • 使用 HuggingFace的tokenizers 在整个数据集（167GB文本）上训练一个词汇量为30,000的WordPiece分词器。
  • 不将字母小写，也不去除重音。

预训练

• 模型在单个云TPU (v3 - 8) 上总共训练了一百万步。
• 前90,000步的批量大小为1,024，其余步骤的批量大小为256。
• 90%的步骤中序列长度限制为128个标记，其余10%为512个标记。
• 使用全词掩码，重复因子为10。
• 对于最大序列长度为128个标记的数据集，每个序列的最大预测数设置为20；对于最大序列长度为512个标记的数据集，设置为80。
• 使用随机种子12345，掩码语言模型概率为0.15，短序列概率为0.1。
• 使用的优化器是Adam，学习率为1e - 4，\(\beta_{1} = 0.9\)，\(\beta_{2} = 0.999\)，权重衰减为0.01，学习率在10,000步内热身，之后线性衰减。

评估结果

• 我们在五个自然语言处理任务（命名实体识别、词性标注、情感分析、方言识别和诗歌分类）上评估预训练语言模型。
• 使用12个数据集对模型进行微调并评估。
• 使用Hugging Face的transformers库对CAMeLBERT模型进行微调。
• 使用transformers v3.1.0 和PyTorch v1.5.1。
• 通过在最后一个隐藏层添加全连接线性层进行微调。
• 所有任务均使用 \(F_{1}\) 分数作为评估指标。
• 微调代码可在 [此处](https://github.com/CAMeL - Lab/CAMeLBERT) 获取。

评估结果详情

平均评估结果

[1]: 变体平均是指对同一语言变体的一组任务的平均值。

🔧 技术细节

本研究得到了Google的TensorFlow Research Cloud（TFRC）提供的云TPU支持。

📄 许可证

本项目采用Apache - 2.0许可证。

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.",
}