杨磊鑫

本研究提出了一种复杂的基于生成的文本数据增强方法，旨在提升低数据量环境下自然语言处理（NLP）任务的性能。我们的方法结合使用新的语言模式，以增加语法多样性，并通过特定转换手段人工制造训练数据，从而改进分类器性能。本文采用了两种子方法，分别针对长文本和短文本任务，以保持标签质量的同时提高数据的创新性。研究结果表明，相比无增强基线和其他数据增强技术，我们的方法能够显著提高准确率和F1分数，特别是在数据稀缺的场景下。此外，本研究还从实证、实践和理论多个角度评估了方法的适用性，并讨论了其在不同类型数据集上的成功应用。

文本数据增强；深度学习；自然语言处理

[1] 周治.基于自然语言处理的社交媒体情感分析在公益慈善中的应用[J].科技传播,2024,16(01):1-4. [2] 张小川,陈盼盼,邢欣来等.一种建立在 GPT-2 模型上的数据增强方法[J/OL].智能系统学报,1-8[2024-03-02]. [3] 龚倩.自然语言处理技术在特检文本中的应用前景分析[J].西部特种设备,2023,6(06):49-52. [4] 苗育华,李格格,线岩团.融合标签关联的隐空间数据增强多标签文本分类方法[J].现代电子技术,2023,46(24):159-164. [5] 桂韬,奚志恒,郑锐等.基于深度学习的自然语言处理鲁棒性研究综述[J].计算机学报,2024,47(01):90-112. [6] 崔振新,张卓言.基于文本增强的民航安全信息自动分类[J].中国民航大学学报,2022,40(03):47-53+64. [7] Howard J,Ruder S.Universal language model fine-tuning for text classification[J].arXiv preprint arXiv:1801.06146,2018. [8] Wei J,Zou K.Eda:Easy data augmentation techniques for boosting performance on text classification tasks[J].arXiv preprint arXiv:1901.11196,2019. [9] Longpre S,Wang Y,DuBois C.How effective is task-agnostic data augmentation for pretrained transformers?[J].arXiv preprint arXiv:2010.01764,2020.

点击下载PDF