中文说明 | English

在自然语言处理领域中，预训练语言模型（Pre-trained Language Model, PLM）已成为重要的基础技术，在多语言的研究中，预训练模型的使用也愈加普遍。为了促进中国少数民族语言信息处理的研究与发展，哈工大讯飞联合实验室（HFL）发布少数民族语言预训练模型CINO (Chinese mINOrity PLM)。

中文LERT | 中英文PERT | 中文MacBERT | 中文ELECTRA | 中文XLNet | 中文BERT | 知识蒸馏工具TextBrewer | 模型裁剪工具TextPruner

查看更多哈工大讯飞联合实验室发布的资源：https://github.com/ymcui/HFL-Anthology

2022/10/29 我们提出了一种融合语言学信息的预训练模型LERT。查看：https://github.com/ymcui/LERT

2022/8/23 CINO被国际重要会议COLING 2022录用为长文。camera-ready结束后，我们将更新论文最终版并发布相应资源。

2022/02/21 更新CINO-small模型，6层transformer结构，参数量148M。

2022/01/25 更新CINO-v2模型与WCM-v2数据集，少数民族语言分类任务效果提升。

2021/12/17 哈工大讯飞联合实验室全新推出模型裁剪工具包TextPruner，欢迎试用。

2021/10/25 CINO-large模型、少数民族语言分类任务数据集Wiki-Chinese-Minority（WCM）数据集已开放下载使用。

多语言预训练模型（Multilingual Pre-trained Language Model），如mBERT、XLM-R等，通过在预训练阶段增加语言数量、采用MLM自监督训练等方式，使预训练模型具备了多语言（multilingual）和跨语言（cross-lingual）理解的能力。然而，由于国内少数民族语言语料的稀缺以及国际上研究的忽视，现有的多语言模型无法很好地处理国内少数民族语言文字。

本项工作的主要贡献：

• CINO (Chinese mINOrity PLM) 基于多语言预训练模型XLM-R，在多种国内少数民族语言语料上进行了二次预训练。该模型提供了藏语、蒙语（回鹘体）、维吾尔语、哈萨克语（阿拉伯体）、朝鲜语、壮语、粤语等少数民族语言与方言的理解能力。

• 为了便于评价包括CINO在内的各个多语言预训练模型性能，我们构建了基于维基百科的少数民族语言分类任务数据集Wiki-Chinese-Minority（WCM）。具体见少数民族语言分类数据集。

• 通过实验证明，CINO在Wiki-Chinese-Minority（WCM）以及其他少数民族语言数据集：藏语新闻分类 Tibetan News Classification Corpus (TNCC) 、朝鲜语新闻分类 KLUE-TC (YNAT) 上获得了最好的效果。相关结果详见实验结果。

该模型涵盖：

• Chinese，中文（zh）
• Tibetan，藏语（bo）
• Mongolian (Uighur form)，蒙语（mn）
• Uyghur，维吾尔语（ug）
• Kazakh (Arabic form)，哈萨克语（kk）
• Korean，朝鲜语（ko）
• Zhuang，壮语
• Cantonese，粤语（yue）

目前提供PyTorch版本的CINO-small、CINO-base和CINO-large模型的下载（推荐使用v2版本），后续将陆续更新其他规模与版本的模型。

• CINO-large-v2：24-layer, 1024-hidden, 16-heads, vocabulary size 136K, 442M parameters
• CINO-base-v2 12-layer, 768-hidden, 12-heads, vocabulary size 136K, 190M parameters
• CINO-small-v2 6-layer, 768-hidden, 12-heads, vocabulary size 136K, 148M parameters
• CINO-large：24-layer, 1024-hidden, 16-heads, vocabulary size 275K, 585M parameters

注意：

• v1模型（CINO-large）支持XLM-R中的所有语言再加上少数民族语言；
• v2模型（CINO-large-v2，CINO-base-v2和CINO-small-v2）的词表针对预训练数据做了裁剪，仅支持中文与少数民族语言。

通过🤗transformers模型库可以下载TensorFlow (v2)和PyTorch版本模型。

下载方法：点击任意需要下载的模型 → 选择"Files and versions"选项卡 → 下载对应的模型文件。

PyTorch版本包含3个文件：

pytorch_model.bin        # 模型权重
config.json              # 模型参数
sentencepiece.bpe.model  # 词表

CINO的结构与XLM-R相同，可直接使用Transformers中的XLMRobertaModel模型进行加载：

from transformers import XLMRobertaTokenizer, XLMRobertaModel
tokenizer = XLMRobertaTokenizer.from_pretrained("PATH_TO_MODEL_DIR")
model = XLMRobertaModel.from_pretrained("PATH_TO_MODEL_DIR")

依托于🤗Transformers，可轻松调用以上CINO模型。

from transformers import XLMRobertaTokenizer, XLMRobertaModel
tokenizer = XLMRobertaTokenizer.from_pretrained("MODEL_NAME")
model = XLMRobertaModel.from_pretrained("MODEL_NAME")

其中MODEL_NAME对应列表如下：

我们基于少数民族语言维基百科语料及其分类体系标签，构建了分类任务数据集 Wiki-Chinese-Minority（WCM）。该数据集覆盖了蒙古语、藏语、维吾尔语、粤语、朝鲜语、哈萨克语，中文，包括艺术、地理、历史、自然、自然科学、人物、技术、教育、经济和健康十个类别。

各个语言上取weighted-F1为评测指标。计算所有语言的weighted-F1平均作为总体评价指标。

注：语料数据无法通过百度网盘分享，请通过Google Drive下载。

WCM-v2版本调整了各类别与语言的样本数量，分布相对更均衡。WCM-v2版本数据分布：

数据说明：

• 包含两个文件夹：zh和minority
• zh：中文的训练集、开发集和测试集
• minority：所有语言（各少数民族语言与方言）的测试集

该数据集尚处于alpha阶段，之后的版本可能会有一定改动。
后续还将有其他数据集发布，敬请期待。

我们在YNAT、TNCC和Wiki-Chinese-Minority三个数据集上比较了不同模型的效果。

对于同一任务上的各个预训练模型，使用统一的训练轮数、学习率等参数。

• 该任务选用由KLUE团队发布的朝鲜语新闻数据集KLUE-TC (a.k.a. YNAT)
• 数据集来源：KLUE benchmark
• 详细信息参阅论文：KLUE: Korean Language Understanding Evaluation

实验参数：学习率为1e-5，batch_size为16。

实验结果：

[1] 论文中的结果。
[2] 复现结果，与CINO-large使用相同的学习率。

• 该任务选用由复旦大学自然语言处理实验室发布的藏语新闻数据集 Tibetan News Classification Corpus (TNCC)
• 数据集来源：Tibetan-Classification
• 详细信息参阅论文：End-to-End Neural Text Classification for Tibetan

实验参数：学习率为5e-6，batch_size为16。

实验结果：

注：原论文中未提供train/dev/test的划分方式。因此，我们重新对数据集按8:1:1做了划分。

在中文训练集上训练，在其他语言上做zero-shot测试。各语言的评测指标为weighted-F1。

实验参数：学习率为7e-6，batch_size为32。

WCM-v2实验结果：

参见examples目录，目前包括

• examples/WCM：WCM上的精调与zero-shot测试
• examples/TNCC：TNCC上的精调
• examples/YNAT：YNAT上的精调

如果本目录中的内容对你的研究工作有所帮助，欢迎引用下述论文。

• CINO: A Chinese Minority Pre-trained Language Model

@inproceedings{yang-etal-2022-cino,
    title = "{CINO}: A {C}hinese Minority Pre-trained Language Model",
    author = "Yang, Ziqing  and
      Xu, Zihang  and
      Cui, Yiming  and
      Wang, Baoxin  and
      Lin, Min  and
      Wu, Dayong  and
      Chen, Zhigang",
    booktitle = "Proceedings of the 29th International Conference on Computational Linguistics",
    month = oct,
    year = "2022",
    address = "Gyeongju, Republic of Korea",
    publisher = "International Committee on Computational Linguistics",
    url = "https://aclanthology.org/2022.coling-1.346",
    pages = "3937--3949"
}

欢迎关注哈工大讯飞联合实验室官方微信公众号，了解最新的技术动态。

如有问题，请在GitHub Issue中提交。