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。
| 章节 | 描述 |
|---|---|
| 简介 | 介绍少数民族语言预训练模型与相关数据集 |
| 模型下载 | 模型下载地址与使用说明 |
| 快速加载 | 介绍了如何使用🤗Transformers快速加载模型 |
| 少数民族语言分类数据集 | 介绍少数民族语言分类数据集 |
| 实验结果 | 列举了模型在NLU任务上的效果 |
| 引用 | 技术报告与引用 |
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 parametersCINO-base-v212-layer, 768-hidden, 12-heads, vocabulary size 136K, 190M parametersCINO-small-v26-layer, 768-hidden, 12-heads, vocabulary size 136K, 148M parametersCINO-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。
| 模型简称 | 模型文件大小 | Google下载 | 百度网盘下载 |
|---|---|---|---|
| CINO-large-v2 | 1.6GB | PyTorch模型 | PyTorch模型（密码3fjt） |
| CINO-base-v2 | 705MB | PyTorch模型 | PyTorch模型（密码qnvc） |
| CINO-small-v2 | 564MB | PyTorch模型 | PyTorch模型（密码9mc8） |
| CINO-large | 2.2GB | PyTorch模型 | PyTorch模型（密码wpyh） |
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。
| 模型简称 | 模型文件大小 | transformers模型库地址 |
|---|---|---|
| CINO-large-v2 | 1.6GB | https://huggingface.co/hfl/cino-large-v2 |
| CINO-base-v2 | 705MB | https://huggingface.co/hfl/cino-base-v2 |
| CINO-small-v2 | 564MB | https://huggingface.co/hfl/cino-small-v2 |
| CINO-large | 2.2GB | https://huggingface.co/hfl/cino-large |
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：
| 模型名 | MODEL_NAME |
|---|---|
| CINO-large-v2 | hfl/cino-large-v2 |
| CINO-base-v2 | hfl/cino-base-v2 |
| CINO-small-v2 | hfl/cino-small-v2 |
| CINO-large | hfl/cino-large |
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。
| 数据集名称 | Google下载 | 百度网盘下载 |
|---|---|---|
| Wiki-Chinese-Minority-v2（WCM-v2） | Google Drive | 无 |
| Wiki-Chinese-Minority（WCM） | Google Drive | 无 |
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：
| 类别 | 蒙古语 | 藏语 | 维吾尔语 | 粤语 | 朝鲜语 | 哈萨克语 | 中文-Train | 中文-Dev | 中文-Test |
|---|---|---|---|---|---|---|---|---|---|
| 艺术 | 135 | 141 | 3 | 387 | 806 | 348 | 2657 | 331 | 335 |
| 地理 | 76 | 339 | 256 | 1550 | 1197 | 572 | 12854 | 1589 | 1644 |
| 历史 | 66 | 111 | 0 | 499 | 776 | 491 | 1771 | 227 | 248 |
| 自然 | 7 | 0 | 7 | 606 | 442 | 361 | 1105 | 134 | 110 |
| 自然科学 | 779 | 133 | 20 | 336 | 532 | 880 | 2314 | 317 | 287 |
| 人物 | 1402 | 111 | 0 | 1230 | 684 | 169 | 7706 | 953 | 924 |
| 技术 | 191 | 163 | 8 | 329 | 808 | 515 | 1184 | 134 | 152 |
| 教育 | 6 | 1 | 0 | 289 | 439 | 1392 | 936 | 130 | 118 |
| 经济 | 205 | 0 | 0 | 445 | 575 | 637 | 922 | 113 | 109 |
| 健康 | 106 | 111 | 6 | 272 | 299 | 893 | 551 | 67 | 73 |
| 总计 | 2973 | 1110 | 300 | 5943 | 6558 | 6258 | 32000 | 3995 | 4000 |
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
| #Train | #Dev | #Test | #Classes | Metric |
|---|---|---|---|---|
| 45,678 | 9,107 | 9,107 | 7 | macro-F1 |
实验参数：学习率为1e-5，batch_size为16。
实验结果：
| 模型 | 开发集 |
|---|---|
| XLM-R-large[1] | 87.3 |
| XLM-R-large[2] | 86.3 |
| CINO-small-v2 | 84.1 |
| CINO-base-v2 | 85.5 |
| CINO-large-v2 | 87.2 |
| CINO-large | 87.4 |
[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
| #Train[1] | #Dev | #Test | #Classes | Metric |
|---|---|---|---|---|
| 7,363 | 920 | 920 | 12 | macro-F1 |
实验参数：学习率为5e-6，batch_size为16。
实验结果：
| 模型 | 开发集 | 测试集 |
|---|---|---|
| TextCNN | 65.1 | 63.4 |
| XLM-R-large | 14.3 | 13.3 |
| CINO-small-v2 | 72.1 | 66.7 |
| CINO-base-v2 | 70.3 | 68.4 |
| CINO-large-v2 | 72.9 | 71.0 |
| CINO-large | 71.3 | 68.6 |
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：
| 模型 | 蒙古语 | 藏语 | 维吾尔语 | 粤语 | 朝鲜语 | 哈萨克语 | 中文 | Average |
|---|---|---|---|---|---|---|---|---|
| XLM-R-base | 41.2 | 25.7 | 84.5 | 66.1 | 43.1 | 23.0 | 88.3 | 53.1 |
| XLM-R-large | 53.8 | 24.5 | 89.4 | 67.3 | 45.4 | 30.0 | 88.3 | 57.0 |
| CINO-small-v2 | 60.3 | 47.9 | 86.5 | 64.6 | 43.2 | 33.2 | 87.9 | 60.5 |
| CINO-base-v2 | 62.1 | 52.7 | 87.8 | 68.1 | 45.6 | 38.3 | 89.0 | 63.4 |
| CINO-large-v2 | 73.1 | 58.9 | 90.1 | 66.9 | 45.1 | 42.0 | 88.9 | 66.4 |
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。
@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。