哈工大｜NLP数据增强方法？我有15种

2021 年 10 月 13 日 哈工大SCIR

声明：本文转载自李rumor 公众号

编者按：

本篇综述出自哈工大社会计算与信息检索研究中心（哈工大SCIR）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、优缺点以及一些使用技巧。原文作者就本篇综述进行总结及解读，如需使用请参考原文以及其他文献的应用细节。

数据增广（Data Augmentation，DA）方法通过产生用于模型训练的新数据，来缓解深度学习任务中可能存在的数据稀缺问题。DA方法较早被应用在CV领域，近年来，其在自然语言处理任务中也得到了越来越多的关注。当下，DA方法种类繁多，而自然语言处理的任务又多种多样、各具特点和挑战，这导致研究者常常难以选择合适的DA方法，或跟进相关进展。

为了解决上述问题，并帮助研究者更好地理解和使用DA方法，本文系统总结了自2015年起一百余篇相关工作，并分析了自然语言处理领域中现有的DA方法。DA的目的之一是提高训练数据的多样性，从而帮助模型更好地泛化到未见的测试数据。因此，本文根据各方法中增广数据的多样性将DA方法分为三类：复述（Paraphrasing）、噪声（Noising）和采样（Sampling）。欢迎各位读者关注本文工作及后续进展。

注：

1. 也有研究者将Data Augmentation翻译为“数据增强”，然而“数据增强”有将数据进行强化之意，而不仅是数量扩充。因此我们将其翻译为“数据增广”，单纯表示扩大数据规模。

2. 本综述目前为v1版本，后续将进一步优化和扩充参考文献，欢迎大家持续关注和跟进，并提出宝贵意见！

论文：Data Augmentation Approaches in Natural Language Processing: A Survey
地址：https://arxiv.org/abs/2110.01852

数据增强方法

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：

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
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
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

Paraphrasing

这类方法根据替换的成分不同，又可以分为词、短语、句子级别。作者共总结了6种方法：

Thesaurus：利用词典、知识图谱等外部数据，随机将非停用词替换成同义词或上位词，如果增加多样性的话还可以替换成相同词性的其他词
Semantic Embeddings：利用语义向量，将词或短语替换成相近的（不一定是同义词）。由于每个词都有语义表示，可替换的范围更大。而上一种方法只能替换图谱里的
MLMs：利用BERT等模型，随机mask掉一些成分后生成新的
Rules：利用一些规则，例如缩写、动词变位、否定等，对句子一些成分进行改写，比如把 is not 变成 isn't
Machine Translation：分为两种，Back-translation指把句子翻译成其他语言再翻译回来，Unidirectional Translation指在跨语言任务中，把句子翻译成其他语言
Model Generation：利用Seq2Seq模型生成语义一致的句子

作者还贴心地整理了上述方法的优缺点。其中「歧义」主要是指有些多义词在不同场景下意思不一样，比如「我每天吃一个苹果」，替换成「我每天吃一个iphone」就不合适了。

P.S. 作者写的Strong application我没有太懂，个人觉得可以理解为应用效果好，如果有不同解读可以留言哈。

Noising

人在读文本时对噪声是免疫的，比如单词乱序、错别字等。基于这个思想，可以给数据增加些噪声来提升模型鲁棒性。

作者给出了以上5种增加噪声的方法：

Swapping：除了交换词之外，在分类任务中也可以交换instance或者sentence
Deletion：可以根据tf-idf等词的重要程度进行删除
Insertion：可以把同义词随机插入句子中
Substitution：把一些词随机替换成其他词（非同义），模拟misspelling的场景。为了避免改变label，可以使用label-independent的词，或者利用训练数据中的其他句子
Mixup：这个方法最近两年比较火，把句子表示和标签分别以一定权重融合，引入连续噪声，可以生成不同label之间的数据，但可解释性较差

总的来说，引入噪声的DA方法使用简单，但会对句子结构和语义造成影响，多样性有限，主要还是提升鲁棒性。

这里我私下多加几个没提到的，也是我们在做ConSERT时用到的方法：

对抗样本
Dropout：也是SimCSE用到的，还有R-drop，都是通过dropout来加入连续噪声
Feature Cut-off：比如BERT的向量都是768维，可以随机把一些维度置为0，这个效果也不错

Sampling

Sampling是指从数据分布中采样出新的样本，不同于较通用的paraphrasing，采样更依赖任务，需要在保证数据可靠性的同时增加更多多样性，比前两个数据增强方法更难。作者整理了4种方法：

Rules：用规则定义新的样本和label，比如把句子中的主谓进行变换
Seq2Seq Models：根据输入和label生成新的句子，比如在NLI任务中，有研究者先为每个label（entailment，contradiction，neutral）训一个生成模型，再给定新的句子，生成对应label的。对比之下，paraphrasing主要是根据当前训练样本进行复述
Language Models：给定label，利用语言模型生成样本，有点像前阵子看的谷歌UDG。有些研究会加个判别模型过滤
Self-training：先有监督训练一个模型，再给无监督数据打一些标签，有点蒸馏的感觉

作者依旧贴心地给出了4中方法的优点和局限：

使用技巧

方法选择

作者给出了这些方法在6个维度的对比，大家可以更好地体会他们的区别和适用场景。其中Level表示DA方法会增强的部分：t=text, e=embedding, l=label，Granularity表示增强的粒度：w=word, p=phrase, s=sentence。

Method Stacking

实际应用时可以应用多种方法、或者一种方法的不同粒度。

作者推荐了两款工具：

Easy DA: https://github.com/jasonwei20/eda_nlp
Unsupervised DA：https://github.com/google-research/uda

同时我搜索了一下github又发现了两个宝藏：

英文：https://github.com/makcedward/nlpaug
中文：https://github.com/zhanlaoban/eda_nlp_for_Chinese

Optimization

第一，在使用增强的数据时，如果数据质量不高，可以先让模型在增强后的数据上pre-train，之后再用有标注数据训练。如果要一起训练，在增强数据量过大的情况下，可以对原始训练数据过采样

第二，在进行数据增强时注意这些超参数的调整：

第三，其实增强很多简单数据的提升有限，可以注重困难样本的生成。比如有研究加入对抗训练、强化学习、在loss上下文章等。如果用生成方法做数据增强，也可以在生成模型上做功夫，提升数据多样性。

第四，如果生成错数据可能引入更多噪声，可以增加其他模型对准确性进行过滤。

最后，作者列举了其他研究的数据增强应用场景，大家在落地时可以借鉴：

总结

数据增强算是很接地气的研究了，少样本、领域迁移是每个NLPer都会遇到的问题，而在数据上做文章可能比其他模型改动的方法更为有效。同时从这篇综述也可以看到，数据增强其实可以做得很fancy，还不影响线上速度，比如我之前就用T5和ELECTRA做过数据增强，都有一些效果，可谓低调而不失奢华，典雅而不失大气，深度拿捏得稳稳的。

本期责任编辑：冯骁骋

本期编辑：冯晨

哈尔滨工业大学社会计算与信息检索研究中心

理解语言，认知社会

以中文技术，助民族复兴

登录查看更多