數(shù)據(jù)增強(qiáng)可以算作是做深度學(xué)習(xí)算法的一個(gè)小trick。該介紹主要出自論文：EDA： Easy Data AugmentaTIon?Techniques for BoosTIng Performance on Text ClassificaTIon Tasks［1］

　　論文中的中文文本分類數(shù)據(jù)增強(qiáng)的代碼實(shí)現(xiàn)可參考EDA_NLP_for_Chinese［2］，當(dāng)然在實(shí)際使用中可以根據(jù)具體情況再做修改。文中介紹的代碼是我個(gè)人對(duì)該源碼的根據(jù)我個(gè)人書寫習(xí)慣進(jìn)行的修改。

　　論文簡(jiǎn)介主要內(nèi)容

　　這篇論文中作者提出所謂的簡(jiǎn)單數(shù)據(jù)增強(qiáng)（Easy Data AugmentaTIon， EDA），包括了四種方法：「同義詞替換、隨機(jī)插入、隨機(jī)交換、隨機(jī)刪除」。作者使用了CNN和RNN分別在五種不同的文本分類任務(wù)中做了實(shí)驗(yàn)，實(shí)驗(yàn)表明，EDA提升了分類效果。作者也表示，平均情況下，僅使用50%的原始數(shù)據(jù)，再使用EDA進(jìn)行數(shù)據(jù)增強(qiáng)，能取得和使用所有數(shù)據(jù)情況下訓(xùn)練得到的準(zhǔn)確率。

　　文中作者提出「通用的」NLP數(shù)據(jù)增強(qiáng)技術(shù)，命名為EDA。同時(shí)作者表示，他們是第一個(gè)給數(shù)據(jù)增強(qiáng)引入文本編輯技術(shù)的人。EDA的提出也是一定程度上受計(jì)算機(jī)視覺上增強(qiáng)技術(shù)的啟發(fā)而得到。下面詳細(xì)介紹EDA的四個(gè)方法：

　　對(duì)于訓(xùn)練集中的每個(gè)句子，執(zhí)行下列操作：

　　同義詞替換（Synonym Replacement， SR）：從句子中隨機(jī)選取n個(gè)不屬于停用詞集的單詞，并隨機(jī)選擇其同義詞替換它們；

　　隨機(jī)插入（Random Insertion， RI）：隨機(jī)的找出句中某個(gè)不屬于停用詞集的詞，并求出其隨機(jī)的同義詞，將該同義詞插入句子的一個(gè)隨機(jī)位置。重復(fù)n次；

　　隨機(jī)交換（Random Swap，?RS）：隨機(jī)的選擇句中兩個(gè)單詞并交換它們的位置。重復(fù)n次；

　　隨機(jī)刪除（Random Deletion， RD）：以 的概率，隨機(jī)的移除句中的每個(gè)單詞；

　　這些方法里，只有SR曾經(jīng)被人研究過，其他三種方法都是本文作者首次提出。

　　值得一提的是，長(zhǎng)句子相對(duì)于短句子，存在一個(gè)特性：長(zhǎng)句比短句有更多的單詞，因此長(zhǎng)句在保持原有的類別標(biāo)簽的情況下，能吸收更多的噪聲。為了充分利用這個(gè)特性，作者提出一個(gè)方法：基于句子長(zhǎng)度來變化改變的單詞數(shù)，換句話說，就是不同的句長(zhǎng)，因增強(qiáng)而改變的單詞數(shù)可能不同。具體實(shí)現(xiàn)：對(duì)于SR、RI、RS，遵循公式： = * ， 表示句長(zhǎng)， 表示一個(gè)句子中需要改變的單詞數(shù)的比例。在RD中，讓 和 相等。另外，每個(gè)原始句子，生成 個(gè)增強(qiáng)的句子。

　　相關(guān)實(shí)驗(yàn)

　　實(shí)驗(yàn)設(shè)置作者使用了5個(gè)不同的Benchmark數(shù)據(jù)集，就有了5種文本分類任務(wù)，使用了兩個(gè)state-of-the-art文本分類的模型：LSTM-RNN［3］和CNNs［4］。并將有無EDA作為對(duì)比，同時(shí)因?yàn)橛玫紼DA在小數(shù)據(jù)集上的實(shí)驗(yàn)效果，將訓(xùn)練數(shù)據(jù)集大小分為500、2000、5000、完整這4個(gè)量級(jí)。每個(gè)訓(xùn)練效果是在5個(gè)文本分類任務(wù)上的效果均值。

　　實(shí)驗(yàn)結(jié)果在完整的數(shù)據(jù)集上，平均性能提升0.8%；在大小為500的訓(xùn)練集上，提升3.0%。具體見如下：

　　作者指出，EDA在小訓(xùn)練集上有更好的性能效果。若使用完整的訓(xùn)練集數(shù)據(jù)，不使用EDA的情況下，最佳的平均準(zhǔn)確率達(dá)到88.3%。若使用50%的訓(xùn)練集數(shù)據(jù)并且使用EDA的情況下，最佳的平均準(zhǔn)確率達(dá)到88.6%，超過前述情況。

　　問題總結(jié)問題1：若句子中有多個(gè)單詞被改變了，那么句子的原始標(biāo)簽類別是否還會(huì)有效？

　　作者做了實(shí)驗(yàn)：首先，使用RNN在一未使用EDA過的數(shù)據(jù)集上進(jìn)行訓(xùn)練；然后，對(duì)測(cè)試集進(jìn)行EDA擴(kuò)增，每個(gè)原始句子擴(kuò)增出9個(gè)增強(qiáng)的句子，將這些句子作為測(cè)試集輸入到RNN中；最后，從最后一個(gè)全連接層取出輸出向量。應(yīng)用t-SNE技術(shù)，將這些向量以二維的形式表示出來。實(shí)驗(yàn)結(jié)果就是，增強(qiáng)句子的隱藏空間表征緊緊環(huán)繞在這些原始句子的周圍。作者的結(jié)論是，句子中有多個(gè)單詞被改變了，那么句子的原始標(biāo)簽類別就可能無效了。

　　對(duì)于EDA中的每個(gè)方法，單獨(dú)提升的效果如何？

　　作者做實(shí)驗(yàn)得出的結(jié)論是，對(duì)于每個(gè)方法在小數(shù)據(jù)集上取得的效果更明顯。 如果太大的話，甚至?xí)档湍Ｐ捅憩F(xiàn)效果，=0.1似乎是最佳值。

　　如何選取合適的增強(qiáng)語句個(gè)數(shù)？

　　在較小的數(shù)據(jù)集上，模型容易過擬合，因此生成多一點(diǎn)的語料能取得較好的效果。對(duì)于較大的數(shù)據(jù)集，每句話生成超過4個(gè)句子對(duì)于模型的效果提升就沒有太大幫助。因此，作者推薦實(shí)際使用中的一些參數(shù)選取如下表所示，其中， ：每個(gè)原始語句的增強(qiáng)語句個(gè)數(shù)；：訓(xùn)練集大小

　　EDA提高文本分類的效果的原理是什么？

　　生成類似于原始數(shù)據(jù)的增強(qiáng)數(shù)據(jù)會(huì)引入一定程度的噪聲，有助于防止過擬合；

　　使用EDA可以通過同義詞替換和隨機(jī)插入操作引入新的詞匯，允許模型泛化到那些在測(cè)試集中但不在訓(xùn)練集中的單詞；

　　為什么使用EDA而不使用語境增強(qiáng)、噪聲、GAN和反向翻譯？

　　上述的其它增強(qiáng)技術(shù)作者都希望你使用，它們確實(shí)在一些情況下取得比EDA較好的性能，但是，由于需要一個(gè)深度學(xué)習(xí)模型，這些技術(shù)往往在其取得的效果面前，付出的實(shí)現(xiàn)代價(jià)更高。而EDA的目標(biāo)在于，使用簡(jiǎn)單方便的技術(shù)就能取得相接近的結(jié)果。

　　EDA是否有可能會(huì)降低模型的性能？

　　確實(shí)有可能。原因在于，EDA有可能在增強(qiáng)的過程中，改變了句子的意思，但其仍保留原始的類別標(biāo)簽，從而產(chǎn)生了標(biāo)簽錯(cuò)誤的句子。

　　中文文本分類數(shù)據(jù)增強(qiáng)代碼實(shí)現(xiàn)代碼實(shí)現(xiàn)中是需要jieba分詞，停用詞，以及一個(gè)提供同義詞的包（Synonyms［5］），本代碼參考地址：ChineseTextEDA［6］

　　使用方式

　　本代碼暫時(shí)不考慮上傳到pip上，本代碼只需要進(jìn)入chinese-text-eda目錄下后，執(zhí)行：

　　python?setup.py install

　　即可安裝使用。也可以將代碼復(fù)制到項(xiàng)目錄下使用。

　　在中文文本分類過程中需要使用數(shù)據(jù)增強(qiáng)的方式能夠在數(shù)據(jù)量少的情況起到一定效果。

　　固定格式數(shù)據(jù)增強(qiáng)

　　該種方式提供只需要將待增強(qiáng)的數(shù)據(jù)處理成如下格式，然后在書寫一個(gè)py腳本，在命令行運(yùn)行即可。

　　label sentence

　　其中數(shù)據(jù)的標(biāo)簽在前，文本在后，標(biāo)簽和文本之間使用\t（tab）分割。

　　使用方式如下，python 文件為example.py

　　from eda import SimpleEDAEnhancesed = SimpleEDAEnhance（）sed.simple_eda_enhance（）

　　然后在控制臺(tái)中輸入相關(guān)參數(shù)即可?？刂婆_(tái)輸入樣例如下：

　　python example.py --input train.txt --output eda_train.txt --num_aug 2 --alpha 0.2

　　相關(guān)參數(shù)說明：

　　--input： 原始數(shù)據(jù)的輸入文件， must

　　--output： 增強(qiáng)數(shù)據(jù)后的輸出文件， optional，如果未填寫，會(huì)在input目錄下生成一個(gè)eda開頭的結(jié)果

　　--num_aug： 一條數(shù)據(jù)增強(qiáng)幾條數(shù)據(jù)，optional， default 9

　　--alpha： 每條語句中將會(huì)被改變的單詞數(shù)占比， optional， default 0.1

　　自定義格式數(shù)據(jù)增強(qiáng)

　　有時(shí)數(shù)據(jù)格式相對(duì)復(fù)雜，這時(shí)需要我們將增強(qiáng)的方法嵌入到數(shù)據(jù)處理的程序中，這時(shí)可以參考如下方法， 案例代碼如下，這也是實(shí)例化EDA這個(gè)類

　　其中，EDA初始化類的參數(shù)如下：

　　num_aug： 一條數(shù)據(jù)增強(qiáng)到多少條，optional， default 9

　　stop_words： 增強(qiáng)過程使用的停用詞， optional， default use hit提供的停用詞

　　stop_words_type： 停用詞類型，optional， select scope： ［“hit”， “cn”， “baidu”， “scu”］

　　EDA類中的數(shù)據(jù)增強(qiáng)方法的分?jǐn)?shù)如下：

　　sentence： must， 待增強(qiáng)的語句;

　　alpha_sr： default=0.1，近義詞替換詞語的比例

　　alpha_ri： default=0.1，隨機(jī)插入詞語個(gè)數(shù)占語句詞語數(shù)據(jù)的比例

　　alpha_rs： default=0.1，隨機(jī)交換詞語個(gè)數(shù)占語句詞語數(shù)據(jù)的比例

　　p_rd： default=0.1，隨機(jī)刪除詞語個(gè)數(shù)占語句詞語數(shù)據(jù)的比例

　　一個(gè)簡(jiǎn)單的測(cè)試如下：

　　from ChineseTextEDA.eda import EDAeda = EDA（）res = eda.eda（“我們就像蒲公英，我也祈禱著能和你飛去同一片土地”）print（res）

　　結(jié)果如下：

　?。邸覀?就 像 蒲公英 ， 我 也 天主 著 能 和 你 飛去 同 一片 土地’， ‘我們 就 像 蒲公英 ， 我 也 祈禱 著 能 和 你 飛去 同 一片 土地’， ‘我們 就 像 蒲公英 ， 我 也 祈禱 和 能 著 你 飛去 同 一片 土地’， ‘我們 就 像 蒲公英 ， 我 也 祈禱 著 聚花 能 和 你 飛去 同 一片 土地’， ‘我們 就 像 蒲公英 ， 我 也 祈禱 著 能 和 飛去 你 同 一片 土地’， ‘我們 就 像 蒲公英 ， 我 也 祈禱 能 和 你 飛去 同 一片 土地’， ‘我們 就 像 ， 我 也 祈禱 著 能 和 你 飛去 同 一片 土地’， ‘我們 就 像 蒲公英 ， 我 也 祈禱 著 能 和 你 飛去 同 假如 一片 土地’， ‘我們 就 像 蒲公英 ， 我 也 祈禱 著 能 和 你 直奔 同 一片 土地’， ‘我們 就 像 蒲公英 ， 我 也 祈禱 著 能 和 你 飛去 同 一片 土地’］