与计算机视觉中使用图像进行数据增强不同，NLP中文本数据增强是非常罕见的。这是因为图像的一些简单操作，如将图像旋转或将其转换为灰度，并不会改变其语义。语义不变变换的存在使增强成为计算机视觉研究中的一个重要工具。

本篇文章将整理目前比较主流的文本数据增强办法：

词汇替换

基于词典的替换

• 在这种技术中，我们从句子中随机取出一个单词，并使用同义词词典将其替换为同义词。例如，我们可以使用WordNet的英语词汇数据库来查找同义词，然后执行替换。它是一个手动管理的数据库，其中包含单词之间的关系。

• Zhang et al.在其2015年的论文“Character-level Convolutional Networks for Text Classification”中使用了这一技术。Mueller et al.使用了类似的策略来为他们的句子相似模型生成了额外的10K训练样本。

基于词向量的替换

在这种方法中，我们采用预先训练好的单词嵌入，如Word2Vec、GloVe、FastText、Sent2Vec，并使用嵌入空间中最近的相邻单词替换句子中的某些单词。Jiao et al.在他们的论文“TinyBert”中使用了这种技术，以提高他们的语言模型在下游任务上的泛化能力。Wang et al.使用它来增加学习主题模型所需的tweet。

例如，你可以用三个最相似的单词来替换句子中的单词，并得到文本的三个变体。

Masked Language Model

• 像BERT、ROBERTA和ALBERT这样的Transformer模型已经接受了大量的文本训练，使用一种称为“Masked Language Modeling”的预训练，即模型必须根据上下文来预测遮盖的词汇。这可以用来扩充一些文本。例如，我们可以使用一个预训练的BERT模型并屏蔽文本的某些部分。然后，我们使用BERT模型来预测遮蔽掉的token。

因此，我们可以使用mask预测来生成文本的变体。与之前的方法相比，生成的文本在语法上更加连贯，因为模型在进行预测时考虑了上下文。

基于TF-IDF的词替换

• 这种增强方法是由Xie et al.在无监督数据增强论文中提出的。其基本思想是，TF-IDF分数较低的单词不能提供信息，因此可以在不影响句子的ground-truth的情况下替换它们。

反向翻译

在这种方法中，我们利用机器翻译来解释文本，同时重新训练含义。Xie et al.使用这种方法来扩充未标注的文本，并在IMDB数据集中学习一个只有20个有标注样本的半监督模型。该方法优于之前的先进模型，该模型训练了25,000个有标注的样本。

反向翻译过程如下：

• 把一些句子(如英语)翻译成另一种语言，如法语
• 将法语句子翻译回英语句子。
• 检查新句子是否与原来的句子不同。如果是，那么我们使用这个新句子作为原始文本的数据增强。

你还可以同时使用不同的语言运行反向翻译以生成更多的变体。如下图所示，我们将一个英语句子翻译成三种目标语言：法语、汉语、意大利语，然后再将其翻译回英语。

这项技术也被用在了的Kaggle上的“Toxic Comment Classification Challenge”的第一名解决方案中。获胜者将其用于训练数据增强和测试期间，在测试期间，对英语句子的预测概率以及使用三种语言(法语、德语、西班牙语)的反向翻译进行平均，以得到最终的预测。

文本表面替换

这些是使用正则表达式的简单的模式匹配的转换，由Claude Coulombe在他的论文中介绍。
在本文中，他给出了一个将动词形式由简写转化为完整形式或者反过来的例子。我们可以通过这个来生成增强型文本。

既然转换不应该改变句子的意思，我们可以看到，在扩展模棱两可的动词形式时，这可能会失败，比如：

为了解决这一问题，本文提出允许模糊收缩，但跳过模糊展开。

随机噪声注入

这些方法的思想是在文本中加入噪声，使所训练的模型对扰动具有鲁棒性。

拼写错误注入

• 在这种方法中，我们在句子中的一些随机单词上添加拼写错误。这些拼写错误可以通过编程方式添加，也可以使用常见拼写错误的映射，如：https://github.com/makcedward/nlpaug/blob/master/model/spelling_en.txt。

  QWERTY键盘错误注入

  该方法试图模拟在QWERTY布局键盘上输入时发生的常见错误，这些错误是由于按键之间的距离非常近造成的。错误是根据键盘距离注入的。
  

  Unigram噪声

  该方法已被Xie et al.和UDA论文所采用。其思想是用从单字符频率分布中采样的单词进行替换。这个频率基本上就是每个单词在训练语料库中出现的次数。

  Blank Noising

  这个方法是由Xie et al.在他们的论文中提出的。其思想是用占位符标记替换一些随机单词。本文使用“_”作为占位符标记。在论文中，他们将其作为一种避免特定上下文过拟合的方法，以及语言模型的平滑机制。该技术有助于提高perplexity和BLEU评分。

• 句子打乱这是一种朴素的技术，我们将训练文本中的句子打乱，以创建一个增强版本。

随机插入标点符号

在原始文本中随机插入标点符号，文中给出六种标点符号以供使用——“. : ? ; ! ,”。首先从1~n*/3（句长的三分之一）随机选取一个数字k，则向原始文本中随 随机插入k个标点符号。（文中表示，在保证有标点符号插入的同时，又不能插入过多的标点符号，避免产生过多的噪声数据进而对实验性能产生负面影响，所以提出了如此选择数字k的方法。）

实例交叉增强

这项技术是由Luque在他的关于TASS 2019情绪分析的论文中提出的。这项技术的灵感来自于遗传学中发生的染色体交叉操作。
该方法将tweets分为两部分，两个具有相同极性的随机推文(即正面/负面)进行交换。这个方法的假设是，即使结果是不符合语法和语义的，新文本仍将保留情感的极性。

这一技术对准确性没有影响，但有助于论文中极少数类的F1分数，如tweets较少的中性类。

语法树操作

这项技术已经在Coulombe的论文中使用。其思想是解析和生成原始句子的依赖关系树，使用规则对其进行转换，并生成改写后的句子。
例如，一个不改变句子意思的转换是句子从主动语态到被动语态的转换，反之亦然。

Mixup

Mixup一开始也是源于CV领域，它是利用线性插值的方式产生更多的训练样本，假设有两个训练样本 与 那么可以分别对输入与label进行插值产生训练样本

在CV任务中模型的输入信息是RGB矩阵，这一直接做插值，但在NLP领域模型的input是文本或者token序列，如何做插值呢？这就利用到了embedding技术了，常见文本mixup的方式有两种：

• WordMixup：用zero padding的方式将所有句子padding到相同的长度，然后将两个训练样本的word embedding序列与label用上面公式进行插值得到增强样本，发生在模型的embedding层。
• 
  
• SenMixup：在句子经过LSTM、CNN或者Transfomer处理后会得到整句话的sentence encoding，然后对两个样本的sentence encoding与label进行插值，最后将插值后的结果送到网络最末端的softmax层去处理。这种插值发生在网络的末端，可以复用之前encoding的结果，所以计算效率较高。

分别使用CNN与LSTM模型在多个文本分类数据集（Trec、SST-1、MR等）上做了对比实验，模型的word embedding是随机初始化的，并且可训练（RandomTune）。

可以看出使用Mixup进行数据增强，Accuracy均获得了显著的提升。