bangla-bert-base

项目介绍：Bangla-Bert-Base

Bangla-Bert-Base 是一个预训练的孟加拉语言模型，致力于提升孟加拉语言的自然语言处理能力。它基于 BERT（Bidirectional Encoder Representations from Transformers）模型进行开发，模型在 Hugging Face 的模型库中已可供使用。该项目由 Sagor Sarker 开发，并发布在 GitHub 上。

语料库详情

Bangla-Bert-Base 的训练语料来自于两个主要来源：

• Bengali Common Crawl 语料库：从 OSCAR 下载。
• 孟加拉语维基百科数据：从 维基媒体数据仓库 下载。

这些数据被下载后，经过预处理，形成符合 BERT 格式的输入，即每行一个句子，每个新文档之间有一个空行。

词汇表构建

项目使用了 BNLP 包来训练孟加拉语的 sentencepiece 模型，词汇表大小为 102025。这个词汇表经过处理后成为符合 BERT 格式的文件。这份词汇表可以在 GitHub 和 Hugging Face 模型库中找到。

训练详情

• Bangla-Bert 的训练代码来自于 Google BERT 的 GitHub 仓库。
• 目前发布的模型采用了 bert-base-uncased 的模型架构（12 层，768 隐藏层，12 个头，总共 1.1 亿参数）。
• 总训练步数为 100 万步。
• 模型在单个 Google Cloud GPU 上进行训练。

评估结果

语言模型评估结果

在 100 万步的训练后，模型取得了如下评估结果：

• 总损失：2.2406516
• 掩码语言模型准确率：0.60641736
• 掩码语言模型损失：2.201459
• 下一个句子准确率：0.98625
• 下一个句子损失：0.040997364
• 困惑度：约为 9.393

下游任务评估结果

• 孟加拉语分类基准数据集评估

该模型在情感分析、仇恨言论识别和新闻主题任务上表现出色，相较于其他模型如 mBERT 和 Bengali Electra，Bangla BERT Base 取得了最佳效果。

• Wikiann 数据集评估

在 Wikiann 孟加拉语NER数据集的评估中，Bangla-BERT-Base 取得了第三名，表现仅次于 mBERT 和 XLM-R。

使用方法

Bangla BERT Tokenizer

使用预训练的 Bangla BERT Tokenizer 进行文本标记化：

from transformers import AutoTokenizer

bnbert_tokenizer = AutoTokenizer.from_pretrained("sagorsarker/bangla-bert-base")
text = "আমি বাংলায় গান গাই।"
bnbert_tokenizer.tokenize(text)
# 输出：['আমি', 'বাংলা', '##য', 'গান', 'গাই', '।']

掩码语言建模

可以直接使用该模型进行掩码语言建模：

from transformers import BertForMaskedLM, BertTokenizer, pipeline

model = BertForMaskedLM.from_pretrained("sagorsarker/bangla-bert-base")
tokenizer = BertTokenizer.from_pretrained("sagorsarker/bangla-bert-base")
nlp = pipeline('fill-mask', model=model, tokenizer=tokenizer)
for pred in nlp(f"আমি বাংলায় {nlp.tokenizer.mask_token} গাই।"):
  print(pred)

作者

该项目由 Sagor Sarker 开发。

引用

如果您认为此模型对您的研究或项目有帮助，请引用：

@misc{Sagor_2020,
  title   = {BanglaBERT: Bengali Mask Language Model for Bengali Language Understanding},
  author  = {Sagor Sarker},
  year    = {2020},
  url    = {https://github.com/sagorbrur/bangla-bert}
}