CAMeLBERT：用于阿拉伯语NLP任务的预训练模型集合

模型描述

CAMeLBERT是一组在阿拉伯文本上进行预训练的BERT模型，具有不同大小和变种。我们发布了现代标准阿拉伯语（MSA），方言阿拉伯语（DA）和古典阿拉伯语（CA）的预训练语言模型，以及一个在这三种语言的混合上进行预训练的模型。我们还提供了在缩小了MSA变体数据集上进行预训练的其他模型（一半、四分之一、八分之一和十六分之一）。详情请参阅论文 " The Interplay of Variant, Size, and Task Type in Arabic Pre-trained Language Models "。

本模型卡描述了CAMeLBERT-CA（bert-base-arabic-camelbert-ca），它是在CA（古典阿拉伯语）数据集上进行预训练的模型。

目标用途

您可以将发布的模型用于遮蔽语言建模或下一个句子预测。但它主要用于在NLP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。我们发布了我们的微调代码 here 。

您可以直接使用此模型进行遮蔽语言建模的流水线：

>>> from transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='CAMeL-Lab/bert-base-arabic-camelbert-ca')
>>> unmasker("الهدف من الحياة هو [MASK] .")
[{'sequence': '[CLS] الهدف من الحياة هو الحياة. [SEP]',
  'score': 0.11048116534948349,
  'token': 3696,
  'token_str': 'الحياة'},
 {'sequence': '[CLS] الهدف من الحياة هو الإسلام. [SEP]',
  'score': 0.03481195122003555,
  'token': 4677,
  'token_str': 'الإسلام'},
 {'sequence': '[CLS] الهدف من الحياة هو الموت. [SEP]',
  'score': 0.03402028977870941,
  'token': 4295,
  'token_str': 'الموت'},
 {'sequence': '[CLS] الهدف من الحياة هو العلم. [SEP]',
  'score': 0.027655426412820816,
  'token': 2789,
  'token_str': 'العلم'},
 {'sequence': '[CLS] الهدف من الحياة هو هذا. [SEP]',
  'score': 0.023059621453285217,
  'token': 2085,
  'token_str': 'هذا'}]

注意：要下载我们的模型，您需要 transformers>= 3.5.0。否则，您可以手动下载模型。

以下是如何在PyTorch中使用此模型获取给定文本的特征的方法：

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

以及在TensorFlow中：

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

训练数据

• CA（古典阿拉伯语）
  • OpenITI (Version 2020.1.2)

训练过程

我们使用Google发布的 the original implementation 进行预训练。除非另有说明，我们使用原始英语BERT模型的超参数进行预训练。

预处理

• 从每个语料库中提取原始文本后，我们进行以下预处理。
• 我们首先使用 the original BERT implementation 提供的工具删除无效字符并使用空格进行标准化。
• 我们还删除没有任何阿拉伯字符的行。
• 然后，我们使用 CAMeL Tools 删除变音符号和长音符。
• 最后，我们使用基于启发式的句子分段器将每行拆分为句子。
• 我们使用整个数据集（167 GB文本）训练了一个词块标记器，词汇表大小为30,000，使用 HuggingFace's tokenizers 。
• 我们不将字母转换为小写，也不去除重音符号。

预训练

• 该模型总共在单个云TPU（v3-8）上进行了一百万个步骤的训练。
• 前90000步使用批量大小1024进行训练，其余的使用256进行训练。
• 对于90%的步骤，序列长度限制为128个标记，对于剩余的10%，限制为512个标记。
• 我们使用整个词进行屏蔽，并使用重复因子10。
• 我们将每个序列的最大预测设置为具有128个标记的数据集为20，具有512个标记的数据集为80。
• 我们使用随机种子12345，遮蔽语言模型概率为0.15，短序列概率为0.1。
• 所使用的优化器是Adam，学习率为1e-4，β 1=0.9 ，β 2=0.999 ，权重衰减为0.01，学习率热身阶段为10000步，之后学习率线性衰减。

评估结果

• 我们对五个NLP任务评估了我们的预训练语言模型：命名实体识别（NER），词性标注，情感分析，方言识别和诗歌分类。
• 我们使用12个数据集进行微调和评估模型。
• 我们使用Hugging Face的transformers对CAMeLBERT模型进行微调。
• 我们使用transfomers v3.1.0和PyTorch v1.5.1。
• 微调是通过在最后隐藏状态中添加一个全连接线性层来完成的。
• 我们使用F1得分作为所有任务的评估指标。
• 用于微调的代码可在 here 处找到。

结果

结果（平均值）

[1] ：按变体分组的平均值是指同一语言变体中一组任务的平均值。

致谢

本研究得到了Google TensorFlow研究云（TFRC）中的Cloud TPU支持。

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.",
}