CAMeLBERT：阿拉伯语NLP任务的预训练模型集合

模型描述

CAMeLBERT是一组在阿拉伯语文本上进行预训练的BERT模型，具有不同的大小和变体。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，以及一种混合三种语言的模型。我们还提供了在MSA变体的缩小数据集上进行预训练的额外模型（一半、四分之一、八分之一和十六分之一）。详细信息可参阅论文 " The Interplay of Variant, Size, and Task Type in Arabic Pre-trained Language Models "。

此模型卡片描述了CAMeLBERT-DA（bert-base-arabic-camelbert-da），这是一个在方言阿拉伯语（DA）数据集上进行预训练的模型。

预期用途

您可以使用释放的模型进行掩码语言建模或下一个句子预测。但是，它主要用于在NLP任务中进行微调，如NER，POS标记，情感分析，方言识别和诗歌分类。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掩码语言建模管道：

>>> from transformers import pipeline
>>> unmasker = pipeline('fill-mask', model='CAMeL-Lab/bert-base-arabic-camelbert-da')
>>> unmasker("الهدف من الحياة هو [MASK] .")
[{'sequence': '[CLS] الهدف من الحياة هو.. [SEP]',
  'score': 0.062508225440979,
  'token': 18,
  'token_str': '.'},
 {'sequence': '[CLS] الهدف من الحياة هو الموت. [SEP]',
  'score': 0.033172328025102615,
  'token': 4295,
  'token_str': 'الموت'},
 {'sequence': '[CLS] الهدف من الحياة هو الحياة. [SEP]',
  'score': 0.029575437307357788,
  'token': 3696,
  'token_str': 'الحياة'},
 {'sequence': '[CLS] الهدف من الحياة هو الرحيل. [SEP]',
  'score': 0.02724040113389492,
  'token': 11449,
  'token_str': 'الرحيل'},
 {'sequence': '[CLS] الهدف من الحياة هو الحب. [SEP]',
  'score': 0.01564178802073002,
  'token': 3088,
  'token_str': 'الحب'}]

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：

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

训练数据

• DA（方言阿拉伯语）
  • 在 our paper 中描述的方言阿拉伯语数据集合集。

训练过程

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

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 提供的工具去除无效字符并规范空格。
• 我们还会删除不含任何阿拉伯字符的行。
• 然后，我们使用 CAMeL Tools 删除变音符号和连接符。
• 最后，我们使用基于启发式的句子分段器将每行分割成句子。
• 我们使用整个数据集（167 GB文本）进行30,000个词汇量的WordPiece分词器训练，使用 HuggingFace's tokenizers 。
• 我们不会将字母转为小写，也不会去除重音符号。

预训练

• 该模型在一个云TPU（v3-8）上进行了总共一百万个步骤的训练。
• 前90000个步骤的批量大小为1024，其余步骤的批量大小为256。
• 序列长度限制为128个令牌的90%步骤和512的剩余10%步骤。
• 我们使用整词遮蔽和重复系数为10。
• 我们将每个序列的最大预测设置为128个令牌的数据集为20，512个令牌的数据集为80。
• 我们使用随机种子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，β1=0.9，β2=0.999，权重衰减为0.01，在10000步之后学习率自动增加，并在学习率线性衰减之后。

评估结果

• 我们在五个NLP任务上评估了我们的预训练语言模型：NER、POS标记、情感分析、方言识别和诗歌分类。
• 我们使用12个数据集对模型进行微调和评估。
• 我们使用Hugging Face的transformers对CAMeLBERT模型进行微调。
• 我们使用transformers v3.1.0和PyTorch v1.5.1。
• 微调是通过向最后隐藏状态添加一个全连接线性层完成的。
• 我们将F1得分作为所有任务的度量标准。
• 用于微调的代码可在 here 中获得。

结果

结果（平均）

[1] ：按语言变体组的任务的平均值是指在同一语言变体中的一组任务的平均值。

致谢

本研究得到了谷歌TensorFlow研究云（TFRC）的云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.",
}