NLP领域⽂本增强
1.何为⽂本增强？
所谓的⽂本的增强，并不是简单的增加样本的“数量”，⽽是针对当前模型出现的问题，去产⽣有针对性的样本，从⽽提⾼模型的效果。因为光⽚⾯增加样本的数量，对模型效果的提升并没有太⼤的帮助。
2.常见的⽂本增强的⽅法有哪些？
2.1 同义词替换 Synonym Replacement (SR)
将句⼦中的词语替换成对应的同义词
2.2 随机插⼊  Random Insert（RI）
在句⼦中随机插⼊⼀些词语
2.3 随机交换  Random Swap（RS）
将句⼦中的某⼀些成分进⾏交换，在句⼦的表达中，有⼀些句⼦颠倒语序之后，句⼦的意思并没有发⽣改变
2.4 随机删除 Random Delete（RD）
随机删除句⼦中的⼀部分词语，在⼀些句⼦中，遗漏其中⼀些词语，并不会对句⼦的⼤意造成影响
2.5 回译
将句⼦翻译成其他语⾔，然后再翻译回来
2.6 embedding 增强
在NLP中，⼀般都会将⽂本表⽰为向量（做 word embedding），可以通过在embedding的数据加⼊⼀些噪⾳
2.7 条件⽣成⽂本
Contextual Augment就是这样⼀种⽅法，他本⾝其实可以认为是EDA的升级版。它实际上是使⽤BiLSTM的⽅式，预测可以被替换的位置并通过语⾔模型（Language model，LM）预测可以被替换成的词，从⽽完成了⼀个新样本的⽣成。另外由于语⾔模型本⾝给的结果只基于上下⽂，⽽忽略了本⾝正负语义，对⼀个句⼦“今天天⽓真好”，“坏”被替换的概率其实很⾼，因此作者对原有的基于上下⽂的语⾔模型进⾏改进，除了基于上下⽂，还会基于标签，这样来保证⽂本替换的准确性。除了BiLSTM还有BERT
random翻译
参考⽂献

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。