Skip to content

persiannlp/parsinlu

Folders and files

NameName
Last commit message
Last commit date

Latest commit

 
 
 
 
 
 
 
 
 
 
 
 
 
 
 

Repository files navigation

ParsiNLU

ParsiNLU is a comprehensive suit of high-level NLP tasks for Persian language. This suit contains 6 different key NLP tasks --- Reading Comprehension, Multiple-Choice Question-Answering, Textual Entailment, Sentiment Analysis, Query Paraphrasing and Machine Translation.

These challenges are collected by expert annotators native in Persian language and from various sources. If you'd like to see additional details on the dataset and how we collected, please check out our publication.

Getting the data

You can find the data under the data/ directory.

Alternatively, you can also access the data through the HuggingFace🤗 library. Here is an example:

from datasets import load_dataset

dataset = load_dataset("persiannlp/parsinlu_entailment")
for x in dataset['train']
  print(x)

Using the finetuned models using the HuggingFace🤗 library

Our models are deployed on HuggingFace's model hub. You can our list of models in this page.
Each model readme contains descriptions on how to use it.

Examples and Baselines

First, make sure you have the data your data/ directory.

Set up your environment. You can use conda or virtualenv to create a Python environment. We have tested the code with Python3.7, but it should work on any version >= 3.5. Make sure to install all the necessary dependencies:

> python install -r requirements.txt

If you're using a GPU, make sure that you set the appropriate environmental variable. For example:

export CUDA_VISIBLE_DEVICES=YOUR_GPU_ID # for example, YOUR_GPU_ID can be 0 for using your first GPU; or 0,1 if you're using two GPUs

See the relevant section on how to train models for each task:

Textual Entailment

Textual Entailment is the task of deciding whether a whether two given questions are paraphrases of each other or not.

Here are several examples:

Premise Hypothesis
entailment

این مسابقات بین آوریل و دسامبر در هیپودروم ولیفندی در نزدیکی باکرکی ، ۱۵ کیلومتری (۹ مایل) غرب استانبول برگزار می شود.

در ولیفندی هیپودروم، مسابقاتی از آوریل تا دسامبر وجود دارد.

contradiction

آیا کودکانی وجود دارند که نیاز به سرگرمی دارند؟

هیچ کودکی هرگز نمی خواهد سرگرم شود.

neutral

ما به سفرهایی رفته ایم که در نهرهایی شنا کرده ایم

علاوه بر استحمام در نهرها ، ما به اسپا ها و سونا ها نیز رفته ایم.

To reproduce our baselines (except mT5 models; see this), try train_and_evaluate_entailment_baselines.sh script.

You can also try our existing models. Visit this page to see an example.

Query Paraphrasing

QQP is the task of detecting whether two given questions are paraphrases of each other or not.

Here are several examples:

Label Question 1 Question 2
not-paraphrase

さ あ ひ る به چه معنی است؟

&脑 洞 大 به چه معنی است؟

paraphrase

قانون سوم حرکت نیوتن چیست؟ آیا می توانید یک عمل و یک عکس العمل را با مثال توضیح دهید؟

آیا کسی می تواند قانون سوم حرکت نیوتون را توضیح دهد؟

not-paraphrase

آیا لیزر موهای زائد باعث فرار دائمی از موهای ناخواسته می شود؟

آیا لیزر موهای زائد دائمی است؟

paraphrase

چه شانس هایی وجود دارد که اگر هیلاری در انتخابات رأی عمومی به پیروزی برسد ، کالح انتخاباتی بر ضد ترامپ تصمیم بگیرد؟

این احتمال وجود دارد که در ۱۹ دسامبر ، کالج انتخاباتی بتواند دونالد ترامپ را از دور خارج کند و به هیلاری کلینتون رأی دهد؟

To reproduce our numbers with all our baselines, try train_and_evaluate_qqp_baselines.sh script.

You can also try our existing models. Visit this page to see an example.

Reading Comprehension

In this task, the goal is to generate a response to question and its accompanying context paragraph. Here are several examples:

question paragraph answer
بند ناف انسان به کجا وصل است؟ ناف جایی قرار گرفته که در واقع بندناف در داخل رحم در آنجا به شکم جنین وصل بوده‌است. بندناف که جفت را به جنین متصل کرده بعد از تولد از نوزاد جدا می‌شود. برای جدا کردن بند ناف از دو پنس استفاده می‌کنند و بین آن دو را میبرند. پنس دیگری نزدیک شکم نوزاد قرار داده می‌شود که بعد از دو روز برداشته خواهد شد. بندناف باقی‌مانده طی ۱۵ روز خشک شده و می‌افتد و به جای آن اسکاری طبیعی به جای میماند. البته بر خلاف تصور عامه مردم شکل ناف در اثر بریدن بند ناف به وجود نمی‌آید و پیش از این در شکم مادر حالت ناف شکل گرفته‌است. شکل ناف در میان مردم مختلف متفاوت است و اندازه آن بین ۱.۵ تا ۲ سانتی‌متر است. تمام پستانداران جفت‌زیست ناف دارند. ناف در انسان‌ها به سادگی قابل مشاهده‌است. جفت
چرا خفاش در شب بیدار است؟ بیشتر خفاش‌ها شب‌زی‌اند. آن‌ها در طول روز یا خوابند یا به پاکسازی بدن خود می‌پردازند و در هنگام شب به شکار می‌روند. ابزار مسیریابی و شکار خفاش‌ها در تاریکی تا دههٔ ۱۷۹۰ کاملاً ناشناخته بود تا اینکه کشیش و زیست شناس ایتالیایی لازارو اسپالانزانی به مجموعه آزمایش‌هایی بر روی خفاش‌های کور دست زد. این خفاش‌ها در یک اتاق کاملاً تاریک گذاشت و مسیر آن‌ها را با نخ‌های ابریشمی پُر پیچ و خم کرد. حتی در تاریکی مطلق هم شبکورها راه خود را در آن مسیر پر پیچ و خم پیدا کرده بودند به همین دلیل او نتیجه گرفت که ابزار راه‌یابی شبکورها چیزی غیر از چشمانشان است. شکار
قاره آمریکا در چه سالی کشف شد؟ بیش از ده هزار سال است که انسان‌ها در قارهٔ آمریکا زندگی می‌کنند. قاره آمریکا توسط کریستف کلمب و در سال ۱۴۹۲ کشف شد اما او به اشتباه فکر کرد که آنجا هندوستان است اما مدت‌ها بعد آمریگو وسپوچی اعلام کرد که این قاره جدیدی است. اما تاریخ آمریکا به عنوان یک کشور مستقل به سال ۱۷۸۳ میلادی بازمی‌گردد که در آن آمریکا بر طبق معاهدهٔ پاریس به رسمیت شناخته گردید. ۱۴۹۲
چه کسانی فدک را به پیامبر اعطا کردند؟ یهودیان که از مسلمانان در جنگ‌های مختلفی شکست خورده بودند در جریان فتح فدک ناچار به صلح با محمد (پیامبر اسلام) شدند.

فدک در نزدیکی خیبر قرار داشت و با توجه به موقعیت استراتژیک خود نقطه اتکاء یهودیان حجاز به‌شمار می‌رفت. پس از آنکه سپاه اسلام، یهودیان را در «خیبر» و «وادی‌القری» و «تیما» شکست داد، برای پایان دادن به قدرت قوم یهود، سفیری به نام «محیط» به نزد سران فدک فرستادند. سران فدک صلح و تسلیم را بر جنگ ترجیح دادند و تعهد کردند که هر سال نیمی از محصولات فدک را در اختیار پیامبر قرار داده و از این به بعد زیر سلطه اسلام زندگی کنند.
یهودیان
کدام دانشگاه ها رشته مترجمی زبان دارند؟ رشته مترجمی زبان انگلیسی یکی از رشته‌ها در دانشگاه‌های ایران است که در آن کار ترجمه از زبان فارسی به انگلیسی و بالعکس به دانشجویان آموخته می‌شود. این رشته در سطح کاردانی کارشناسی کارشناسی ارشد و دکترا در بیشتر دانشگاه‌ها و موسسات آموزش عالی ایران وجود دارد. یک رشته نظری و عمومی با عنوان مطالعات ترجمه (که به یک زبان خاص مربوط نمی‌شود) در مقاطع بالاتر هم وجود دارد. بیشتر دانشگاه‌ها و موسسات آموزش عالی ایران
پنجاب مربوط کدام ولایت است؟ پنجاب مرکز منطقۀ دایزنگی قدیم است، اما براساس تقسیمات اداری سال ۱۳۴۳ جزئی از ولایت بامیان شد. مرکز این ولسوالی هم پنجاب نام دارد. بامیان

To reproduce our baselines (except mT5 models; see this, try train_and_evaluate_reading_comprehension_baselines.sh script.

You can also try our existing models. Visit this page to see an example.

Multiple-Choice QA

Here the task is to pick a correct answer among 3-5 given candidate answers. Here are several examples:

Question Correct Answer Candidate1 Candidate2 Candidate3 Candidate4
پایتخت کشور استرالیا کدام است؟ 3 ملبورن سیدنی کنبرا
منظومه یا مجموعه عناصر و اجزائی که با هم کنش و واکنش و ارتباط متقابل دارند را چه می نامند؟ 4 نهاد سازمان اجتماعی گشتالت سیستم
کدام یک از موارد زیر جزء مراحل چهارگانه تصمیم گیری، نمی باشد؟ 3 تعریف و تشخیص مشکل دستیابی به راح حل ها هدایت و نظارت اجرای تصممیم
مفهوم کلی کدام بیت با سایر ابیات متفاوت است؟ 4 از خلاف آمد عادت بطلب کام که من کسب جمعیت از آن زلف پریشان کردم گفتم که بوی زلفت گمراه عالمم کرد گفتا اگر بدانی هم اوت رهبر آید زلف آشفته‌ی او موجب جمعیت ماست چون چنین است پس آشفته‌ترش باید کرد اگر به زلف دراز تو دست ما نرسد گناه بخت پریشان و دست کوته ماست
یک مجسمه، یک گلدان و یک ساعت را که از لحاظ حجم تقریبا به یک اندازه می‌باشند به چند صورت مختلف می‌توان دو بدو در کنار هم و روی یک کمد برای زینت اتاق قرار داد؟ 1 ۶ ۴ ۲ ۸

To reproduce our baselines, try train_and_evaluate_multiple_choice_baselines.sh script.

You can also try our existing models. Visit this page to see an example.

Machine Translation

Machine Translation of Persian/English is one of the few tasks that has received more work in the past few years. Unfortunately, most of the evaluation done for this task is often limited to few domains/datasets.
Here we have compiled a collection of high-quality resources for Persian machine translation. Specifically, here is our collection of evaluation sets:

  • Quaran: BVased on the existing translations of Quran.
  • Bible: Based on the existing translations of Bible.
  • Mizan: Parallel corpora constructed from human translations of literary masterpieces.
  • Global Voices:
  • Quora queries: the translation instance extracted from our query paraphrasing task.

Here are several examples:

Split en fa
Quran This is the Book; in it is guidance sure, without doubt, to those who fear Allah;

این کتاب که هیچ شک در آن نیست، راهنمای پرهیزگاران است.

Quran Who believe in the Unseen, are steadfast in prayer, and spend out of what We have provided for them;

آن کسانی که به جهان غیب ایمان آرند و نماز به پا دارند و از هر چه روزیشان کردیم به فقیران انفاق کنند.

Bible And God said, Let the earth bring forth grass, the herb yielding seed, and the fruit tree yielding fruit after his kind, whose seed is in itself, upon the earth: and it was so.

و خداگفت: «زمین نباتات برویاند، علفی که تخم بیاوردو درخت میوه‌ای که موافق جنس خود میوه آوردکه تخمش در آن باشد، بر روی زمین.» و چنین شد.

Bible And the earth brought forth grass, and herb yielding seed after his kind, and the tree yielding fruit, whose seed was in itself, after his kind: and God saw that it was good.

و زمین نباتات را رویانید، علفی که موافق جنس خود تخم آورد و درخت میوه داری که تخمش در آن، موافق جنس خود باشد. و خدادید که نیکوست.

Mizan But Proportion has a sister, less smiling, more formidable, a Goddess even now engaged

اما تناسب امور خواهری دارد، نه این چنین متبسم، رعب آور‌تر، ایزد بانویی که حتی در این لحظه مشغول است.

Mizan shrouds herself in white and walks penitentially disguised as brotherly love through factories and parliaments; offers help, but desires power;

پیچیده در دایی سفید به نشان توبه با لباس مبدل عشق برادرانه در کارخانه‌ها و مجالس قانونگذاری راه می‌رود؛ پیشنهاد کمک می‌کند، اما طالب قدرت است.

QQP What were the books studied by aiims topper 2016?

کتابهایی که توسط aiims topper ۲۰۱۶ مورد مطالعه قرار گرفته چه بود؟

QQP Which website is good for downloading Android (.apk) files?

کدام وب سایت برای دانلود پرونده های Android (.apk) مناسب است؟

To downloading the data, take a look at the this and that directories.

All the baselines here use mT5. Take a look at this section for more description on that.

Sentiment Analysis

Our aspect-based sentiment analysis task includes three sub-tasks: 1) detecting the overall sentiment of a review/document, 2) extracting aspects toward which a sentiment is expressed, and 3) detecting the sentiment polarity of extracted aspects. Our annotation scheme is mainly inspired by the Sem-Eval 2014 Task 4, ABSA scheme, with minor adjustments. Sentiment scores are chosen from (very negative, negative, neutral, positive, very positive, mixed/borderline).

We have annotated documents from food & beverages (Digikala) and movie review (Tiwall) domains. We have predefined list of aspects for each domain. In the following, we have listed some examples from our dataset:

Domain Review Sentiment (Aspect, Sentiment)
Food & beverages

خیلی خیلی کادوی جذابیه هم بسته بندی شیک هم شکلات خوشمزه و قلبی شکل خصوصا که پاکت هم داره

Very positive (بسته بندی، خیلی مثبت)
(طعم، مثبت)
Food & beverages

در شگفت انگیز به قیمت خیلی پایین خریدم ولی به نظرم ارزش نداره و طعم خاصی جز شکر نداره

Negative (ارزش خرید، منفی)
(طعم، منفی)
Movie review

در جشنواره متاسفانه نتونستم ببینم ولی دیشب در اکران فیلم های جشنواره فجر در پردیس چارسو موفق به دیدن فیلم شدم. چه فیلم خوبی از فضای بصری زیبا و چشم نواز، تا بازی فوق العاده حامد بهداد.....

Positive (صحنه، مثبت)
(بازی، خیلی مثبت)
Movie review

فیلمی بسیار ضعیف، علی الخصوص در زمینه ی تدوین و فیلم نامه پر از شعار زدگی، کلیشه و اغراق آمیز!!! واقعا خانم درخشنده توی این فیلم تنزل فاحشی پیدا کردن. بعد اصلا معلوم نیست اون زن دوم اون وسط چی میگه، از بس که شخصیت پردازی ضعیفه!

Very negative (بازی، خیلی منفی)
(داستان، خیلی منفی)
(کارگردانی، خیلی منفی)
Movie review

فیلم از فضای نقد اجتماعی و سیاسی تهی است...یه قصه غیر قابل باور که هیجان خاصی نداشت...ریتم فیلم قابل قبول بود...الناز شاکردوست هم خیلی فراتر از انتظار بود...نمره 5 از 10

Mixed/borderline (داستان، منفی)
(بازی، خیلی مثبت)

To reproduce our baselines (except mT5 models; see this, try train_and_evaluate_sentiment_analysis_baselines.sh script.

You can also try our existing models. Visit this page to see an example.

Reproducing mT5 baselines

To use mT5 baselines you need the followings:

  • Convert all the data into train/test/dev splits organized in TSV format (first column: input, 2nd column: output). For example, see the translation data. We have a script for this conversion.
  • A Cloud storage: best to use Google cloud buckets to store your train/eval/dev data.
  • A TPU: for the experiments in this work we used v3-8 TPUs. You can get such TPUs for free from the TFRC program (thanks, Google!!).
  • A virtual machine to run the experiments: create one CPU machine, in the same zone/region as your TPU.
  • Install T5 and run the file-tuning scripts on your virtual machine.
  • After your obtain the predictions, use our evaluation scripts in this directory.

Note: If you don't have access to TPUs, you should be able to use the HuggingFace library to train mT5 on your GPU machine. We don't have the scripts for that, but you should be ale to follow the examples here.

FAQ

I have GPU on my machine by n_gpu is shown as 0. Where is the problem? Check out this thread.

Citation

If you find this work useful please cite the following work:

@article{2020parsiglue,
    title={{ParsiNLU:} A Suite of Language Understanding Challenges for Persian},
    author={Daniel Khashabi, Arman Cohan, Siamak Shakeri, Pedram Hosseini, Pouya Pezeshkpour, Malihe Alikhani, Moin Aminnaseri, Marzieh Bitaab, Faeze Brahman, Sarik Ghazarian, Mozhdeh Gheini, Arman Kabiri, Rabeeh Karimi Mahabadi, Omid Memarrast, Ahmadreza Mosallanezhad, Erfan Noury, Shahab Raji, Mohammad Sadegh Rasooli, Sepideh Sadeghi, Erfan Sadeqi Azer, Niloofar Safi Samghabadi, Mahsa Shafaei, Saber Sheybani, Ali Tazarv, Yadollah Yaghoobzadeh},
    journal={arXiv},
    year={2020}
}

If you use the translatin task, please cite the following work as well:

@article{kashefi2018mizan,
  title={MIZAN: a large persian-english parallel corpus},
  author={Kashefi, Omid},
  journal={arXiv preprint arXiv:1801.02107},
  year={2018}
}