Multi dialect Arabic BERT

Múltiple-dialecto-arábico

Este es un repositorio del modelo de BERT en árabe multi-dialecto.

Por Mawdoo3-Ai.

Sobre nuestro modelo multi-dialecto-árabe-bert

En lugar de entrenar el modelo de BERT en árabe multi-dialecto desde cero, inicializamos los pesos del modelo usando árabe-bert y lo entrenamos en tweets árabes de 10 m de los datos no habilitados de la tarea compartida de identificación de dialectos árabes (NADI) matizados.

Para citar este trabajo

 @misc{talafha2020multidialect,
    title={Multi-Dialect Arabic BERT for Country-Level Dialect Identification},
    author={Bashar Talafha and Mohammad Ali and Muhy Eddin Za'ter and Haitham Seelawi and Ibraheem Tuffaha and Mostafa Samir and Wael Farhan and Hussein T. Al-Natsheh},
    year={2020},
    eprint={2007.05612},
    archivePrefix={arXiv},
    primaryClass={cs.CL}
}

Uso

Los pesos del modelo se pueden cargar utilizando la biblioteca transformers por Huggingface.

 from transformers import AutoTokenizer , AutoModel

tokenizer = AutoTokenizer . from_pretrained ( "bashar-talafha/multi-dialect-bert-base-arabic" )
model = AutoModel . from_pretrained ( "bashar-talafha/multi-dialect-bert-base-arabic" )

Ejemplo usando pipeline :

 from transformers import pipeline

fill_mask = pipeline (
    "fill-mask" ,
    model = "bashar-talafha/multi-dialect-bert-base-arabic " ,
    tokenizer = "bashar-talafha/multi-dialect-bert-base-arabic "
)

fill_mask ( " سافر الرحالة من مطار [MASK] " )

 [{'sequence': '[CLS] سافر الرحالة من مطار الكويت [SEP]', 'score': 0.08296813815832138, 'token': 3226},
 {'sequence': '[CLS] سافر الرحالة من مطار دبي [SEP]', 'score': 0.05123933032155037, 'token': 4747},
 {'sequence': '[CLS] سافر الرحالة من مطار مسقط [SEP]', 'score': 0.046838656067848206, 'token': 13205},
 {'sequence': '[CLS] سافر الرحالة من مطار القاهرة [SEP]', 'score': 0.03234650194644928, 'token': 4003},
 {'sequence': '[CLS] سافر الرحالة من مطار الرياض [SEP]', 'score': 0.02606341242790222, 'token': 2200}]

Parámetros del modelo

Parámetro	Valor
arquitectura	Bertformaskedlm
Hidden_size	768
max_position_embeddings	512
num_attention_heads	12
num_hidden_layers	12
VOCAB_SIZE	32000
Hidden_size	768
Número total de parámetros	110m