!!! 有一个更新版本的模型可用 ！！！ AraBERTv2

AraBERT v1 & v2: 面向阿拉伯语言理解的预训练BERT模型

AraBERT是基于 Google's BERT architechture 的阿拉伯语预训练语言模型。AraBERT使用相同的BERT-Base配置。更多详细信息请参阅 AraBERT Paper 和 AraBERT Meetup

该模型有两个版本，AraBERTv0.1和AraBERTv1，其区别在于AraBERTv1使用了预分词的文本，其中使用了 Farasa Segmenter 对前缀和后缀进行了分割。

我们对AraBERT模型进行了不同的下游任务评估，并将其与 mBERT 以及其他最先进的模型进行了比较（据我们所知）。任务包括对6个不同数据集进行情感分析（ HARD 、 ASTD-Balanced 、 ArsenTD-Lev 、 LABR ），使用 ANERcorp 进行命名实体识别，以及使用 Arabic-SQuAD and ARCD 进行阿拉伯问答。

AraBERTv2

新内容！

AraBERT现在有4个新的变种来取代旧的v1版本：

请参阅AraBERT文件夹中的更多详细信息以及 README 和 AraBERT Paper

所有模型都可以在HuggingFace模型页面上找到，名称为 aubmindlab 。检查点以PyTorch、TF2和TF1格式可用。

更好的预处理和新词汇表

我们发现AraBERTv1的词片段词汇表存在问题。问题在于在学习词片段词汇表时，标点符号和数字仍然与单词相连。我们现在在数字和字符之间和标点字符周围插入了空格。

新的词汇表是使用tokenizers库的BertWordpieceTokenizer学习的，并且现在应支持transformers库中的Fast tokenizer实现。

附注：所有旧的BERT代码都应适用于新的BERT，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

我们使用了大约多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GPT2和ELECTRA。

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

对于新数据集，我们将经过细致过滤的OSCARE语料库添加到了AraBERTv1中使用的先前数据集中，但排除了之前我们爬取的网站：

• 未排序和经过过滤的OSCAR。
• 2020/09/01 Arabic Wikipedia dump
• The 1.5B words Arabic Corpus
• The OSIAN Corpus
• Assafir新闻文章。非常感谢Assafir提供给我们数据

预处理

在训练/测试任何数据集之前，建议先应用我们的预处理函数。安装farasapy以对AraBERT v1 & v2进行文本分割 pip install farasapy

from arabert.preprocess import ArabertPreprocessor

model_name="bert-base-arabert"
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)
>>>"و+ لن نبالغ إذا قل +نا إن هاتف أو كمبيوتر ال+ مكتب في زمن +نا هذا ضروري"

可接受的模型

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模型在HuggingFace模型存储库中可用。您可以按以下方式下载它们：

• 通过git-lfs：在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名称下的任何模型

• 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：

谷歌学术中我们的Bibtex有错误（缺少名称），请使用此Bibtex代替

@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 Research Cloud (TFRC)提供免费访问Cloud TPUs，没有这个计划我们无法完成这个项目，并感谢 AUB MIND Lab 成员的持续支持。还要感谢 Yakshof 和Assafir提供数据和存储访问。另外感谢Habib Rahal ( https://www.behance.net/rahalhabib )为AraBERT提供了形象。

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