NLP中简单的数据增强方法
1、为什么要进行数据增强？
训练机器学习或深度学习模型时，良好的数据往往是影响模型的效果最重要的因素之一。而数据不足时数据增强是一个常用的方法。
数据增强的方法可以作为我们训练nlp模型时一个快速改善数据不平衡或数据缺失的等问题。
2、数据增强的作用
1，增加训练的数据量，提高模型的泛化能力
2，增加噪声数据，提升模型的鲁棒性
3、NLP中数据增强
现有NLP的Data Augmentation大致有两条思路，
- 加噪：即为在原数据的基础上通过替换词、删除词等方式创造和原数据相类似的新数据；
-
回译：即将原有数据翻译为其他语言再翻译回原语言，由于语言逻辑顺序等的不同，回译的方法也往往能够得到和原数据差别较大的新数据。
（上述方法均为有监督方法）
3.1 加噪：EDA方法
(1) 同义词替换（SR: Synonyms Replace）：不考虑stopwords，在句子中随机抽取n个词，然后从同义词词典中随机抽取同义词，并进行替换。
Eg: “我非常喜欢这部电影” —> “我非常喜欢这个影片”，句子仍具有相同的含义，很有可能具有相同的标签。
(2) 随机插入(RI: Randomly Insert)：不考虑stopwords，随机抽取一个词，然后在该词的同义词集合中随机选择一个，插入原句子中的随机位置。该过程可以重复n次。
Eg : “我非常喜欢这部电影” —> “爱我非常喜欢这部影片”。
(3) 随机交换(RS: Randomly Swap)：句子中，随机选择两个词，位置交换。该过程可以重复n次。
Eg: “如何评价 2017 知乎看山杯机器学习比赛?” —> “2017 机器学习?如何比赛知乎评价看山杯”。
(4) 随机删除(RD: Randomly Delete)：句子中的每个词，以概率p随机删除。
Eg: “如何评价 2017 知乎看山杯机器学习比赛?" —> “如何 2017 看山杯机器学习 ”。
3.2 回翻
回翻方法中，我们用机器翻译把一段中文翻译成另一种语言，然后再翻译回中文。
Eg: “周杰伦是一位华语乐坛的实力唱将，他的专辑卖遍了全球。
" —>“Jay Chou is a strength singer in the Chinese music scene, his albums are sold all over the world.
”—>“周杰伦是中国音乐界的优秀歌手，他的专辑畅销全世界。”
这个方法已经成功的被用在Kaggle恶意评论分类竞赛中。反向翻译是NLP在机器翻译中经常使用的一个数据增强的方法，其本质就是快速产生一些翻译结果达到增加数据的目的。
回译的方法往往能够增加文本数据的多样性，相比替换词来说，有时可以改变句法结构等，并保留语义信息。但是，回译的方法产生的数据依赖于翻译的质量，大多数出现的翻译结果可能并不那么准确。
3.3 其他的文本增强方法
- 语法树结构替换
- 篇章截取
- seq2seq序列生成数据
- 生成对抗网络 GAN
- 预训练的语言模型
采用深度学习模型的方法主要为生成和原数据相类似的数据。
4、数据增强要做到以下内容才会发挥作用
（1）增加的数据要保证和原数据一致的语义信息。
（2）增加的数据需要多样化。
抄自原文：
