AraBERT v1 & v2：为阿拉伯语语言理解预训练BERT

AraBERT是一个基于 Google's BERT architechture 的阿拉伯预训练语言模型。AraBERT使用相同的BERT-Base配置。更多细节详见 AraBERT Paper 和 AraBERT Meetup

该模型有两个版本，AraBERTv0.1和AraBERTv1。不同之处在于AraBERTv1使用预分词文本，其中前缀和后缀使用 Farasa Segmenter 分割。

我们将AraBERT模型评估在不同的下游任务上，并将其与 mBERT 和其他最先进的模型进行比较（据我们所知）。任务包括对6个不同数据集的情感分析（ HARD , ASTD-Balanced , ArsenTD-Lev , LABR ）， ANERcorp 的命名实体识别，以及 Arabic-SQuAD and ARCD 的阿拉伯问答。

AraBERTv2

新特性！

AraBERT现在有4个新变体来替代旧的v1版本：

更多细节请参阅AraBERT文件夹，以及 README 和 AraBERT Paper

所有模型均可在HuggingFace模型页面的 aubmindlab 名称下找到。检查点可在PyTorch、TF2和TF1格式中获得。

更好的预处理和新的词汇表

我们发现AraBERTv1的wordpiece词汇表存在问题。这个问题是因为学习wordpiece词汇表时，标点符号和数字仍然附加在单词上。我们现在在数字和字符之间以及标点符号字符周围插入空格。

新词汇表使用tokenizers库的BertWordpieceTokenizer进行学习，并且现在应支持transformers库中的Fast tokenizer实现。

注：所有旧的BERT代码都可以与新的BERT一起使用，只需更改模型名称并检查新的预处理函数。请阅读有关如何使用预处理函数的部分。

更大的数据集和更多计算

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模型的预训练数据还用于阿拉伯GPT2和ELECTRA。

数据集包含77GB或200,095,961行或8,655,948,860词或82,232,988,358字符（在应用Farasa分词之前）。

对于新数据集，我们添加了未打乱的OSCAR语料库，但过滤了之前我们爬取的网站，以前的数据集用于AraBERTv1：

• 从2020/09/01起的OSCAR未打乱且经过过滤的；
• Arabic Wikipedia dump ；
• The 1.5B words Arabic Corpus ；
• The OSIAN Corpus ；
• 感谢Assafir提供我们的数据，Assafir新闻文章。

预处理

在对任何数据集进行训练/测试之前，建议应用我们的预处理函数。 安装farasapy以对AraBERT v1 & v2进行分词 pip install farasapy

from arabert.preprocess import ArabertPreprocessor

model_name="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)

受支持的模型

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repo中获得。你可以按以下方式下载它们：

• 通过git-lfs：在repo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是名为aubmindlab的任何模型

• 通过wget：
  • 转到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）。

如果您使用了此模型，请引用我们：

谷歌学术有误将我们的Bibtex（缺少姓名），请使用此引用

@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Cloud TPUs的访问权限，没有这个计划，我们将无法完成此工作，感谢 AUB MIND Lab 成员的持续支持。还要感谢 Yakshof 和Assafir提供的数据和存储访问权限。特别感谢Habib Rahal（ https://www.behance.net/rahalhabib ），为AraBERT提供了面孔。

联系方式

Wissam Antoun： Linkedin | Twitter | Github | wfa07@mail.aub.edu | wissam.antoun@gmail.com

Fady Baly： Linkedin | Twitter | Github | fgb06@mail.aub.edu | baly.fady@gmail.com