论文标题：Data Augmentation Approaches in Natural Language Processing: A Survey
论文链接：https://arxiv.org/abs/2110.01852

这篇40多页的综述出自哈工大车万翔老师的团队，一共总结了15种NLP可以用到的数据增强方法、优缺点，还有一些使用技巧，十分良心。

数据增强（Data Augmentation，简称DA），是指根据现有数据，合成新数据的一类方法。毕竟数据才是真正的效果天花板，有了更多数据后可以提升效果、增强模型泛化能力、提高鲁棒性等。然而由于NLP任务天生的难度，类似CV的裁剪方法可能会改变语义，既要保证数据质量又要保证多样性，使得大家在做数据增强时十分谨慎。

作者根据生成样本的多样性程度，将DA方法分为了以下三种：

  1. Paraphrasing：对句子中的词、短语、句子结构做一些更改，保留原始的语义
  2. Noising：在保证label不变的同时，增加一些离散或连续的噪声，对语义的影响不大
  3. Sampling：旨在根据目前的数据分布选取新的样本，会生成更多样的数据

内容中包含的图片若涉及版权问题，请及时与我们联系删除