摘要：一.中文文本数据增强???（中文、同义句生成、enhance、augment、text、data、nlp、样本不均衡、语料不够、数据不足、扩充增加），相较于图片，中文文本数据强的效果似乎没那么靠谱（效果没那么好），也更加困难，但是捏，很多时候，使用中文文本数据增强还是很有必
一.中文文本数据增强
? ? ? （中文、同义句生成、enhance、augment、text、data、nlp、样本不均衡、语料不够、数据不足、扩充增加），相较于图片，中文文本数据强的效果似乎没那么靠谱（效果没那么好），也更加困难，但是捏，很多时候，使用中文文本数据增强还是很有必要的，尤其是项目初期语料不够（估计只能手工构建），或者是样本严重不均衡的情况（比如说分类中一个类有200条数据，另外一个类有100万条数据）。
? ? ? ? 这个时候，我们就需要使用中文文本数据增强了，通俗的说，也可理解成同义句生成。看见过paperweekly上的一篇论文介绍，说中文文本的语序不是那么重要，如果存在部分词语顺序错误、错别字，人类也能get这句话是什么意思，比如说“大漠帝国并不是一个历史上存在的国度，人类在实真的史历上没有录记，这是真的。”一眼看去，我们就能识别这句话什么意思，少部分语序错误我们也能够区分。
? ? ? ?又比如如果遮挡住，一句话的小半边或者是一半，我们依旧可以理解它们。
? ? ? ?所以，在分类、阅读理解、对话系统、检索......大多数领域，是可以容忍噪声的，我们引入同义句，也是有一定道理的。
二.同义词方案
? ? ? ? 记得有一篇分类augment论文《Easy data augmentation techniques for boosting performance on text classification tasks》，
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? paper地址是:https://arxiv.org/abs/1901.11196
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? github实现是:?https://github.com/jasonwei20/eda_nlp
? ? ? ? 主要还是对英文语料进行词语操作，替换（用同义词替换文本中的部分词语，这个很容易想得到的）、删除（删除一个词语可以理解吧，这个也容易想到）、插入（即随机选择一个原句的词语的同义词插入，这个确实没想到，感觉比较赏心悦目）、交换（随机抽取词语交换顺序，这也很有意思）。
? ? ? ? EDA对不同模型的提升:
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?
? ? ? ? EDA对分类准确率的提升:
? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ?
? ? ? ? EDA四个方法的效果:
? ? ? ? ? ? ? ? ?
? ? ? ? EDA的增强比率:
? ? ? ? ? ? ? ? ? 
? ? ? ? ?虽然看起来效果不明显，但也聊胜于无吧，尤其是分类训练语料少的时候，比如说几十条数据，想想都让人绝望呀。
三、中文实现:
? ? ? ?相信这个算法很容易理解，?自己的中文版在初始版本的基础上加了一些过滤，同时调高了同义词替换、同义词插入的权重。
github的实现在:?https://github.com/yongzhuo/nlp_xiaojiang/blob/master/AugmentText/augment_eda/enhance_eda.py
初始版本在:?https://github.com/zhanlaoban/eda_nlp_for_Chinese
四.? 改进:
? ? ? ? 1.? 同义词获取的方案，除了那个Synonyms，你也可以用自己的，或者公开的词向量模型，获取最相似的。
?
希望对你有所帮助！
?
