语言:

• 阿拉伯语 许可证: apache-2.0 小部件示例:
• 文本: "أنا بخير"

CAMeLBERT MSA 情感分析模型

模型描述

CAMeLBERT MSA 情感分析模型是通过对CAMeLBERT 现代标准阿拉伯语(MSA)模型进行微调构建的情感分析(SA)模型。微调过程中使用了ASTD、ArSAS和SemEval数据集。我们的微调流程和超参数设置详见论文《The Interplay of Variant, Size, and Task Type in Arabic Pre-trained Language Models》，微调代码可在此处获取。

使用场景

您可以直接将本模型作为CAMeL Tools情感分析组件的组成部分使用（推荐），或通过transformers pipeline调用。

使用方法

通过CAMeL Tools情感分析组件使用：

>>> from camel_tools.sentiment import SentimentAnalyzer
>>> sa = SentimentAnalyzer("CAMeL-Lab/bert-base-arabic-camelbert-msa-sentiment")
>>> sentences = ['أنا بخير', 'أنا لست بخير']
>>> sa.predict(sentences)
>>> ['积极', '消极']

通过transformers pipeline直接调用：

>>> from transformers import pipeline
>>> sa = pipeline('sentiment-analysis', model='CAMeL-Lab/bert-base-arabic-camelbert-msa-sentiment')
>>> sentences = ['أنا بخير', 'أنا لست بخير']
>>> sa(sentences)
[{'label': '积极', 'score': 0.9616648554801941},
 {'label': '消极', 'score': 0.9779177904129028}]

注意：下载本模型需要transformers>=3.5.0版本，也可选择手动下载模型文件。

引用文献

@inproceedings{inoue-etal-2021-interplay,
    title = "阿拉伯语预训练语言模型中变体、规模与任务类型的相互作用",
    author = "井上刚 and Alhafni, Bashar and Baimukan, Nurpeiis and Bouamor, Houda and Habash, Nizar",
    booktitle = "第六届阿拉伯语自然语言处理研讨会论文集",
    month = "4月",
    year = "2021",
    address = "乌克兰基辅（线上）",
    publisher = "计算语言学协会",
    abstract = "本文探究了阿拉伯语预训练语言模型中语言变体、数据规模和微调任务类型的影响。为此，我们针对现代标准阿拉伯语(MSA)、方言阿拉伯语和古典阿拉伯语三种变体分别构建了预训练模型，并额外训练了一个混合三种变体的模型。通过构建基于MSA变体缩减数据集的模型，我们还检验了预训练数据规模的重要性。我们将这些模型相互比较，并在涵盖12个数据集的5项NLP任务上，与8个公开模型进行对比。结果表明，预训练数据与微调数据的变体相近性比预训练数据规模更重要。我们利用这一发现为研究任务定义了优化的系统选择模型。",
}