AraBERT v1 & v2: BERT在阿拉伯语语言理解方面的预训练

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。更多详细信息，请参见 AraBERT Paper 和 AraBERT Meetup 。

该模型有两个版本，AraBERTv0.1和AraBERTv1，在于AraBERTv1使用了预分隔文本，其中前缀和后缀使用 Farasa Segmenter 进行了拆分。

我们将AraBERT模型在不同的下游任务上进行了评估，并将其与 mBERT 和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 ），以及通过 ANERcorp 进行命名实体识别，以及通过 Arabic-SQuAD and ARCD 进行阿拉伯问答。

AraBERTv2

新特性！

AraBERT现在有4个新的变体来替换旧的v1版本：

在AraBERT文件夹中以及 README 和 AraBERT Paper 中有更多细节。

所有模型都可以在HuggingFace模型页面上找到，名称为 aubmindlab 。检查点可以以PyTorch、TF2和TF1格式下载。

更好的预处理和新词汇表

我们发现AraBERTv1的字片词汇表存在问题。问题在于当学习字片词汇表时，标点符号和数字仍然附加在词语中。现在，我们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库中的BertWordpieceTokenizer进行学习的，现在应该支持transformers库的Fast tokenizer实现。

P.S.：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，请参见数据集部分。

数据集

用于新AraBERT模型的预训练数据也用于阿拉伯GPT2和ELECTRA。

该数据集包括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 Segmentation之前）。

对于新数据集，我们在以前用于AraBERTv1的数据集中添加了未打乱的OSCAR语料库，但去掉了之前我们爬取的网站：

• 未打乱且经过筛选的OSCAR语料库。
• 2020/09/01开始的 Arabic Wikipedia dump
• The 1.5B words Arabic Corpus
• The OSIAN Corpus
• Assafir新闻文章。非常感谢Assafir提供给我们这些数据

预处理

强烈建议在对任何数据集进行训练/测试之前使用我们的预处理函数进行预处理。

安装 arabert Python包以对AraBERT v1 & v2中的文本进行分段或清理您的数据 pip install arabert

from arabert.preprocess import ArabertPreprocessor

model_name="aubmindlab/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)

>>> output: ولن نبالغ إذا قلنا : إن هاتف أو كمبيوتر المكتب في زمننا هذا ضروري

TensorFlow 1.x模型

TF1.x模型可以在HuggingFace模型存储库中找到。您可以按以下方式下载它们：

• 通过git-lfs：克隆一个存储库中的所有模型

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：
  • 转到链接huggingface.co/models/aubmindlab/MODEL_NAME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 ）

如果您使用了该模型，请引用我们的工作：

学术搜索中的Bibtex引用格式有误（缺少姓名），请使用此格式代替

@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

感谢谷歌学术云（TFRC）提供免费访问Cloud TPUs的机会，在此项目中我们无法离开这个计划的支持，还要感谢 AUB MIND Lab 成员一直以来的支持。另外要感谢 Yakshof 和Assafir提供的数据和存储访问。还要特别感谢Habib Rahal（ https://www.behance.net/rahalhabib ），为AraBERT注入个性。

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