本文共 1177 字，大约阅读时间需要 3 分钟。

中文NLP数据增强工具：

分类的增强方法

EDA

提出了数据增强方法：

• synonym replacement(SR)：随机选取句子中n个非停用词的词语。对于每个词语随机选取它的一个同义词替换该词语。

• random insertion(RI)：随机选取句子中的一个非停用词的词语，随机选取这个词语的一个近义词，将近义词随机插入到句子中，做n次。

• random swap(RS)：随机选取两个词语，交换他们的位置，做n次。

• random deletion(RD)：对于句子中的每个词语，以概率p选择删除。

问题：对于每个句子，短句相比于长句，吸收同样的n个词噪音，更可能导致类别标签发生变化。

原文是长句具备更好的噪声吸收能力。

因此引入了补偿机制：在SR、RI、RS中，对于每句话词语变化个数n,

$$n=\alpha l$$ 其中$l$是句子的长度，$\alpha$是一个超参数，表示句子中需要被改变的词语的百分比。

• 个人认为SR、RI、RS、RD很可能会改变句子的标签，其实确定标签没有改变也是非常重要。

实验

作者在五个分类数据集上，实验对比了加入EDA的四个方法前后带来的提升。作者将数据集分别在0，20%，40%，60%，80，100%上进行了实验，结果自然是数据越少增强带来的提升越大，到100%带来的提升不大，这个倒是意料之中，比较有意思的是作者还进一步进行了实验。

EDA是否改变了标签？

通过原始数据训练一个RNN模型，然后在测试集中每个句子通过EDA获得9个增强的句子，输入到模型中，获取其最后一层的向量输出，通过t-SNE算法将向量转为2维表达并绘制2D图形，发现增强的句子与原始句子的周围且距离很近，因此认为其标签并未改变。如图

针对分类问题，评估类别标签是否变化，使用此方法讲得通，但是是建立在一个假设基础上：即训练的分类RNN模型的向量表达是准确的，而分类模型在原始的小批量数据上训练而成，本身就是不够鲁棒的（论文本身要证明的就是这一点）。

个人感觉众包review更为可信，对于论文发表来说没啥技术含量且冗长，而且也与数据增强初衷违背。

但是NER问题的增强EDA可能不太适合使用，槽位值很可能因为随机替换之类的操作而改变。

同时作者还是对前文中的参数$\alpha$在各个量级数据集上进行了实验，给出了如下建议：

$N_{train}$	$\alpha$	$n_{aug}$
500	0.05	16
2000	0.05	8
5000	0.1	4
More	0.1	4

更新中。。。

中文NLP数据增强工具：

reference

• https://mp.weixin.qq.com/s/p_aZ3jMwZx7FeWoJJhDDhA

转载地址：http://fxaji.baihongyu.com/