A Character Level Convolutional BiLSTM for Arabic Dialect Identification BILSTM الالتفافي على مستوى الأحرف لتحديد اللهجة العربية A Character Level Convolutional BiLSTM pour l'identification du dialecte arabe BiLSTM convolucional de nivel de carácter A para la identificación de dialectos árabes

In this paper, we describe the contribution of CU-RAISA team to the 2019 Madar shared task 2 1 , which focused on Twitter User finegrained dialect identification.Among participating teams, our system ranked the 4th (with 61.54%) F1-Macro measure.Our system is trained using a character level convolutional bidirectional long-short-term memory (BiL-STM) network trained on approximately 2k users' data.We show that training on concatenated user tweets as input is further superior to training on user tweets separately and assign user's label on the mode of user's tweets' predictions. في هذه الورقة، وصفنا مساهمة فريق CU - RAISA في المهمة المشتركة 2 1 لعام 2019 في مدار، والتي ركزت على تحديد لهجة مستخدم تويتر الدقيقة. من بين الفرق المشاركة، احتل نظامنا المرتبة الرابعة (بنسبة 61.54 ٪) في مقياس F1 - Macro. تم تدريب نظامنا باستخدام شبكة ذاكرة طويلة المدى ثنائية الاتجاه ملتفة على مستوى الأحرف (BiL - STM) مدربة على بيانات حوالي 2 ألف مستخدم. نظهر أن التدريب على تغريدات المستخدم المتسلسلة كمدخلات يتفوق بشكل أكبر على التدريب على تغريدات المستخدم بشكل منفصل وتعيين تسمية المستخدم على وضع تنبؤات تغريدات المستخدم. Dans cet article, nous décrivons la contribution de l'équipe CU-RAISA à la tâche partagée Madar 2019 2 1 , qui s'est concentrée sur l'identification fine des dialectes des utilisateurs de Twitter. Parmi les équipes participantes, notre système s'est classé 4e (avec 61,54 %) mesure F1-Macro. Notre système est formé à l'aide d'un réseau de mémoire bidirectionnelle à long terme convolutionnelle au niveau des caractères (BiL-STM) formé sur environ 2 000 données d'utilisateurs. Nous montrons que la formation sur les tweets concaténés des utilisateurs en entrée est encore supérieure à la formation sur les tweets des utilisateurs séparément et attribue l'étiquette de l'utilisateur sur le mode des prévisions des tweets de l'utilisateur. En este documento, describimos la contribución del equipo CU-RAISA a la tarea compartida 2 1 de Madar de 2019, que se centró en la identificación de dialectos de grano fino del usuario de Twitter. Entre los equipos participantes, nuestro sistema clasificó la cuarta (con un 61,54%) medida F1-Macro. Nuestro sistema se entrena utilizando una red de memoria bidireccional convolucional a largo plazo (BiL-STM) a nivel de carácter entrenada en aproximadamente 2 000 datos de usuarios. Mostramos que la capacitación en tweets de usuarios concatenados como entrada es más superior a la capacitación en tweets de usuarios por separado y asignamos la etiqueta del usuario en el modo de las predicciones de tweets del usuario.