NLP数据增强方法-动手实践

百川NLP • 2023-01-02 • 云技术社区 • 277 阅读

当前的模型基本求解的是数据集，而非任务，所以数据显得异常重要。

图像中可以通过旋转、翻转变换、rgb转灰度、加入白噪声等方式增强数据，其语义不会发生改变，但是NLP中却往往发生语义改变，针对NLP的一些数据增强方法进行了探索。

同义词替换

应该是最早的方法， 通过对于语句中的同义词替换，保证语义不变性，根据同义词的来源，又可以分为几种方案

WordNet

通过WrodNet中的同义词召回相近似的词语，见

import nltk
from nltk.corpus import wordnet
nltk.download('omw')
word = "空调"
for each in wordnet.synsets(word, lang='cmn'):
    print(each.lemma_names('cmn'), )
# ['冷气机', '空调', '空调器', '空调装置', '空调设备']

全量代码见：word_sim.py

synonyms

synonyms是一个中文近义词工具包，见

import synonyms
word = "空调"
print(synonyms.nearby(word))
# (['空调', '冷气', '空调设备', '空调系统', '波箱', '用车', '制冷', '空调机', '空气调节', '巴士在'], [1.0, 0.75175405, 0.7452018, 0.6877022, 0.6544307, 0.62812567, 0.62259305, 0.59779996, 0.57414114, 0.5611771])

全量代码见：word_sim.py

词向量召回

A Lexical and Frame-Semantic Embedding Based Data Augmentation Approach2015

词向量召回主要通过将词语映射为低纬稠密向量，通过向量召回的方式来召回同义词。

  • Context embedding方法。召回的可能和并非近义词，例如W2V主要是更具词语分布做的向量化，所以召回的可能是位置分布近似的词语，但是语义可能并不一样。所以也有人提出了
  • Frame-Semantic Embeddings方法。
from gensim.models.keyedvectors import KeyedVectors

word = "空调"
# 词向量召回，词向量下载： https://docs.qq.com/sheet/DVnpkTnF6VW9UeXdh?tab=BB08J2
w2v_file = "./cn_bi_fastnlp_100d.txt"
w2v_model = KeyedVectors.load_word2vec_format(w2v_file)
print(w2v_model.similar_by_word(word)[:10])
# [('冷气', 0.832690954208374), ('暖气', 0.7806607484817505), ('电扇', 0.7694630026817322), ('电热', 0.7415034174919128), ('风扇', 0.7370954751968384), ('供暖', 0.7363734841346741), ('采暖', 0.7239724397659302), ('电暖', 0.7215089797973633), ('通风', 0.7174738645553589), ('隔音', 0.7118726968765259)]

全量代码见：word_sim.py

TF-IDF

Unsupervised Data Augmentation for Consistency Training
TF表示词条在文档d中出现的频率，IDF表示逆向文件频率

TF-IDF分数较低的单词不能提供信息，因此可以在不影响句子的ground-truth的情况下替换/插入它们。

原始句子：The quick brown fox jumps over the lazy dog
Tf-Idf替换：A quick brown fox jumps over the lazy dog
Tf-Idf插入：sinks The quick brown fox jumps over the lazy Sidney dog

依赖于本身语料足够丰富。

源码：word_level_augment.py

EDA

EDA-Easy Data Augmentation Techniques for Boosting Performance on Text Classification Tasks

提出了数据增强方法：

  • synonym replacement(SR)：随机选取句子中n个非停用词的词语。对于每个词语随机选取它的一个同义词替换该词语。
  • random insertion(RI)：随机选取句子中的一个非停用词的词语，随机选取这个词语的一个近义词，将近义词随机插入到句子中，做n次。
  • random swap(RS)：随机选取两个词语，交换他们的位置，做n次。
  • random deletion(RD)：对于句子中的每个词语，以概率p选择删除。

同义词替换已有，其他三个方法，说实话，可用性不高，里面会生成很多错误的query。
由于随机替换、交换、删除会让原本序列化的句子的序列变得不重要，模型更关注某些词语是否出现，增加模型误识别风险。

更多细节参考EDA

作者也开源了英文EDA代码：https://github.com/jasonwei20/eda_nlp

中文EDA：https://github.com/zhanlaoban/EDA_NLP_for_Chinese

生成方法

看过很多奇奇怪怪的生成方法，有seq2seq(shin2019utterance, kurata2016labeled, kurata2016labeled)、VAE(yoo2020variational,xie2019unsupervised)等方法，个人觉得和任务耦合，不太具备通用性，反倒是借助语言模型来做生成比较靠谱。

主要参考Context Augmentation，通过Bi-LSTM训练语言模型，并且加入了数据label来控制生成。
Conditional BERT Contextual Augmentation，在前文基础上引入了BERT。

针对分类问题，作者将BERT原来的segment embedding换成了label embedding，然后在数据上继续使用MLM任务继续finetune, 训练好之后预测过程输入包含：

  • 原始query的token，不过会做一些随机mask，来预测mask掉的词语。
  • 分类的类别标签，保证语义不变性。

针对中文数据，笔者认为其实还可以做基于此可以在做一些优化。

  1. mask策略可以改，可以使用分词方法，将随机mask改为词语mask。
  2. 同时也可以随机插入mask，同样，插入的位置是在词语之间而非其内部。

基于此咱们就来尝试一把，对于原始输入，使用了此方法之后增强的数据：

原始句子：帮我查一下航班信息
生成句子：请帮我查一下航班信息、帮我查查一下航班信息、帮我查帮一下航班信息

代码见：bert_main.py

数据中提取

与其生产句子，不如从已有的语料中挖掘可能相关的数据。

wang2015s从Twitter中挖掘日志，作者用聚类的方法标注出相似的数据，做一遍预标注，然后通过人工标注其中每个类簇的类别。

聚类方法中，聚类个数设置，聚类结果需要合并或拆分，之后结果再人工review。

这篇文章也提出了使用word2vec来召回同义词，做同义词替换。

Back-translation

通过将目标句子翻译为外语，然后将外语翻译成中文，翻译一般会重新组织句子结构，所以增强后的数据具备一定的句式丰富性，下面是使用了百度翻译api的结果。

if __name__ == '__main__':
    queries = '帮我查一下航班信息,查一下航班信息,附近有什么好玩的'.split(",")
    # 根据语言列表，可以翻译成多个句子, language: en,jp,kor,fra,spa,th,ara,ru,pt,de,it,el,nl,pl,bul,est,dan,fin,cs,rom,slo,swe,hu,cht,vie...
    for query in queries:
        out_arr = []
        lan_list = "en,jp,kor".split(",")
        for tmp_lan in lan_list:
            for tmp_q in baidu_translate(query, tmp_lan):
                out_arr.extend(baidu_translate(tmp_q, 'zh'))
        print(list(set(out_arr)))
    # ['帮我查一下航班信息', '请帮我查一下飞机的情报。', '帮我检查航班信息。', '检查我的航班信息。'...
    # ['打听一下航班的信息。', '检查航班', '检查VOO信息', '查看航班信息', ...
    # ['这里有什么有趣的？', '这里有什么有趣的', '这个地方有什么有趣的？', ...

完整代码见：back_translate.py

mixup

Augmenting Data with Mixup for Sentence Classification: An Empirical

Zhang et al提出，主要是应用于分类问题，应用于图像中，将两幅图片随机按照比例组合合成为新的图片。

Guo et al将其应用于NLP之中。

  • wordMixup

即词向量上混合，将句子padding为相同的长度，然后将每个token的embedding按比例加权和为新的embedding用于下游分类，标签也是两个句子的标签比例。如下图左边

  • sentMixup

即句子向量混合，将句子向量随机加权求和，标签也是原始两个句子的标签加权。如上图右边

Reference

  • https://github.com/makcedward/nlpaug
  • https://github.com/QData/TextAttack
  • https://amitness.com/2020/05/data-augmentation-for-nlp/
  • https://towardsdatascience.com/data-augmentation-in-nlp-2801a34dfc28

工具：

  • https://github.com/makcedward/nlpaug
    • samples: https://github.com/makcedward/nlpaug/blob/master/example/textual_augmenter.ipynb
  • https://github.com/QData/TextAttack
本站文章资源均来源自网络，除非特别声明，否则均不代表站方观点，并仅供查阅，不作为任何参考依据！
如有侵权请及时跟我们联系，本站将及时删除！
如遇版权问题，请查看 本站版权声明
THE END
分享
二维码
海报
NLP数据增强方法-动手实践
图像中可以通过旋转、翻转变换、rgb转灰度、加入白噪声等方式增强数据，其语义不会发生改变，但是NLP中却往往发生语义改变，针对NLP的一些数据增强方法进行了探索...
<<上一篇
下一篇>>