/ Модель

Характеристики

Контекст
512 токенов
Параметры
136 млн
Лицензия
Apache 2.0
Архитектура
bert · dense
Базовая модель
ARAB_BERT
Опубликована
1 июн 2025

Arabic-NER-PII

Разметка токеновТекст → label6 профессий

Модель BERT для выявления и разметки персональных данных в арабском тексте.

49скачиваний за 30 дней0лайковвеса обновлены12 авг 2025

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

MutazYoune/Arabic-NER-PII — модель на основе BERT, разработанная для выявления персональных данных в арабском тексте. Она дообучена на MutazYoune/ARAB_BERT для классификации токенов и предназначена для разметки фрагментов текста с адресами электронной почты, телефонными номерами, IP-адресами и структурированными идентификаторами. Модель содержит 136,3 млн параметров, принимает текст и поддерживает контекст длиной до 512 токенов.

Модель создана для задач обнаружения и последующего удаления или маскирования PII в арабских текстах, в том числе в сценариях обработки пользовательских данных. В карточке указаны результаты участия в Maqsam Arabic PII Redaction Challenge: итоговый балл 0,5341, точное F1 0,024 и частичное F1 0,534. Лицензия Apache-2.0 разрешает использование и распространение на её условиях.

Основные ограничения — низкое качество точного определения границ сущностей, ограниченное покрытие диалектов (обучение преимущественно на современном литературном арабском) и возможные ошибки при контекстно-зависимом распознавании PII.

Сценарии применения

  • поиск телефонных номеров и адресов электронной почты в арабских сообщениях
  • выявление IP-адресов и сетевых идентификаторов
  • обнаружение национальных и других структурированных идентификаторов
  • разметка PII перед обезличиванием или маскированием арабских текстов

Ограничения

Точное определение границ сущностей заметно слабее частичного совпадения; модель преимущественно обучена на современном литературном арабском и может ошибаться на диалектах и при контекстно-зависимом распознавании PII.

Для каких профессий подходит6

Разделы каталога профессий, в задачах которых используется эта модель

Все профессии

Также подходит для

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Arabic NER PII

Personally Identifiable Information Detection for Arabic Text

Model Competition License Arabic

Overview

BERT-based token classification model fine-tuned for detecting Personally Identifiable Information (PII) in Arabic text. Addresses unique challenges in Arabic NLP including morphological complexity and absence of capitalization patterns.

Base Model: MutazYoune/ARAB_BERT | Task: Token Classification | Language: Arabic

Quick Start

pip install transformers torch
from transformers import AutoTokenizer, AutoModelForTokenClassification, pipeline

# Load model
tokenizer = AutoTokenizer.from_pretrained("MutazYoune/Arabic-NER-PII")
model = AutoModelForTokenClassification.from_pretrained("MutazYoune/Arabic-NER-PII")

# Create pipeline
ner_pipeline = pipeline("ner", model=model, tokenizer=tokenizer, aggregation_strategy="simple")

# Detect PII
text = "يعمل أحمد محمد في شركة جوجل في الرياض ورقم هاتفه 0501234567"
entities = ner_pipeline(text)
print(entities)

Supported Entities

EntityDescriptionExamples
CONTACTEmail addresses, phone numbersahmed@email.com, 0501234567
NETWORKIP addresses, network identifiers192.168.1.1, 10-20-30-40
IDENTIFIERNational IDs, structured identifiersID_123456, user.name
NUMERIC_IDNumeric identifiers123456789, 12-34-56
PIIGeneric personal informationNames, personal details

Performance

Maqsam Arabic PII Redaction Challenge - Rank #16

MetricExactPartialIoU50
Precision0.0290.6470.295
Recall0.0200.4550.208
F10.0240.5340.244

Overall Score: 0.5341

Training Details

  • Source: Maqsam Arabic PII Redaction Competition Dataset
  • Size: 20,000 sentences (10k original + 10k LLM-augmented)
  • Annotation: BIO tagging scheme with regex pattern matching
  • Labels: 11 total (O + B-/I- for each entity type)
base_model: MutazYoune/ARAB_BERT
epochs: 12
batch_size: 16
learning_rate: 3e-5
max_length: 512
optimization: AdamW
PATTERNS = {
    "CONTACT": r'[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Za-z]{2,}|(?:https?|ftp)://[^\s/$.?#].[^\s]*',
    "NETWORK": r'\d+\.\d+\.\d+\.\d+|\d+\-\d+\-\d+\-\d+',
    "IDENTIFIER": r'[a-zA-Z]+_[a-zA-Z]+\d*|[a-zA-Z]+\.[a-zA-Z]+',
    "NUMERIC_ID": r'\d+\-\d+|\d{6,}'
}

Advanced Usage

import torch
from transformers import AutoTokenizer, AutoModelForTokenClassification

def process_arabic_text(text, model, tokenizer):
    inputs = tokenizer(text, return_tensors="pt", truncation=True, max_length=512)
    
    with torch.no_grad():
        outputs = model(**inputs)
        predictions = torch.argmax(outputs.logits, dim=-1)
    
    tokens = tokenizer.convert_ids_to_tokens(inputs["input_ids"][0])
    labels = [model.config.id2label[pred.item()] for pred in predictions[0]]
    
    # Filter out special tokens
    results = []
    for token, label in zip(tokens, labels):
        if token not in ['[CLS]', '[SEP]', '[PAD]']:
            results.append((token, label))
    
    return results
def batch_process_texts(texts, model, tokenizer, batch_size=8):
    results = []
    for i in range(0, len(texts), batch_size):
        batch = texts[i:i+batch_size]
        batch_results = []
        
        for text in batch:
            entities = ner_pipeline(text)
            batch_results.append(entities)
        
        results.extend(batch_results)
    
    return results

Model Architecture

Input: Arabic Text
    ↓
Tokenization (Arabic BERT Tokenizer)
    ↓
ARAB_BERT Encoder (12 layers)
    ↓
Classification Head (11 classes)
    ↓
BIO Tag Predictions

Limitations & Considerations

  • Exact Boundary Detection: Lower exact match scores indicate challenges with precise entity boundaries
  • Dialectal Coverage: Primarily trained on Modern Standard Arabic
  • Context Sensitivity: May struggle with context-dependent PII identification
  • Performance Trade-offs: Higher partial scores vs. exact match performance

Competition Context

Developed for the Maqsam Arabic PII Redaction Challenge addressing critical gaps in Arabic PII detection systems. The competition emphasized:

  • Token-level evaluation methodology
  • Real-world deployment considerations
  • Speed optimization for practical applications
  • Arabic-specific linguistic challenges

Evaluation Formula:

Final Score = 0.45 × Precision + 0.45 × Recall + 0.1 × (1/avg_time)

Citation

@misc{arabic-ner-pii-2024,
  author = {MutazYoune},
  title = {Arabic NER PII: Personally Identifiable Information Detection for Arabic Text},
  year = {2024},
  publisher = {Hugging Face},
  journal = {Hugging Face Model Hub},
  howpublished = {\url{https://huggingface.co/MutazYoune/Arabic-NER-PII}}
}

Resources


🤗 Model Hub • 📊 Competition

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · token-classification

Можно запустить

Подбираем GPU…

Класс архитектуры
BertForTokenClassification
Ревизия весов
6008087

0 моделей