AEDA:文本分类数据增强

AEDA：AnEasier Data Augmentation Technique for Text Classification

论文地址：https://arxiv.org/pdf/2108.13230.pdf
代码地址：https://github.com/akkarimi/aeda_nlp

为了让模型由更好的泛化能力，一般需要更多的更加全面的数据集，但是数据的收集和标注是很费事费力的，所以这个时候数据增强技术就很重要。
在NLP领域，EDA（Easy Data Augmentation Techniques for Boosting Performance on TextClassification Tasks，2019）提出了四种简单的数据增强操作，包括：同义词替换（通过同义词表将句子中的词语进行同义词替换）、随机交换（随机交换句子的两个词语，改变语序）、随机插入（在原始句子中随机插入，句子中某一个词的同义词）和随机删除（随机删除句子中的词语）。

目前，也有一些其他的数据增强方法，例如：同义词替换不使用词表，而是使用词向量或者预训练语言模型；通过在在文本中插入一些符合或者词语，来增加噪声；将句子通过翻译器翻译成另外一种语言再翻译回来的回译手段等。

AEDA Augmentation

该论文所提出的AEDA方法，主要是在原始文本中随机插入一些标点符号，属于增加噪声的一种，主要与EDA论文对标，突出“简单”二字。注意：该方法仅适用于文本分类任务。
Q：插入多少标点符号？
A: 从1到三分之一句子长度中，随机选择一个数，作为插入标点符号的个数。

Q: 为什么是三分之一的句子长度？
A：作者表示，即想每个句子有标点符号插入，增加句子的复杂性，又不想加入太多的标点符号，过于干扰句子的语义信息，并且太多噪声可能对模型由负面影响。

Q：句子插入标点符号的位置如何选取？
A：随机插入。

Q：标点符号共包含哪些？
A：主要有6种，“.”、“;”、“?”、“:”、“!”、“,”。

Q：AEDA比EDA效果好的理论基础是什么？
A：作者认为，EDA方法，如论是同义词替换，还是随机替换、随机插入、随机删除，都改变了原始文本的序列信息；而AEDA方法，只是插入标点符号，对于原始数据的序列信息修改不明显。个人理解，通过词语修改的方法，与原始语义改变可以更加负面；而仅插入一些标点符号，虽然增加了噪声，但是原始文本的语序并没有改变。

代码：

PUNCTUATIONS = ['.', ',', '!', '?', ';', ':']
PUNC_RATIO = 0.3

def insert_punctuation_marks(sentence, punc_ratio=PUNC_RATIO):
    words = jieba.cut(sentence.strip())
    words = ' '.join(words)
    new_line = []
    q = random.randint(1, int(punc_ratio * len(words) + 1))
    if q >= len(words):
        q = 0
    assert q <= len(words)
    qs = random.sample(range(0, len(words)), q)
    
    for j, word in enumerate(words):
        if j in qs:
            new_line.append(PUNCTUATIONS[random.randint(0, len(PUNCTUATIONS) - 1)])
        new_line.append(word)
    new_line = ' '.join(new_line)
    return new_line
    
train['text'] = train['text'].apply(lambda x:insert_punctuation_marks(x))