本文结合 A Visual Survey of Data Augmentation in NLP 和最新的综述论文 A Survey of Data Augmentation Approaches for NLP，大致总结了目前 NLP 领域的通用数据增强方法和几种针对如 NER 的序列标注模型进行适配的变种方法，关于后者，重点介绍了基于 mixup 改进的 SeqMix 方法。

此外，本文较长，建议结合目录食用。

通用数据增强方法

阅读 Tip：每个增强方法最后的有序列表是提出或使用该方法的论文列表。

Lexical Substitution

在不改变语义的情况下，替换句子中的词。

Thesaurus-based substitution

使用近义词随机替换句子中的某一个词。

1. 2015: Character-level Convolutional Networks for Text Classification
2. Siamese Recurrent Architectures for Learning Sentence Similarity
3. EDA: Easy Data Augmentation

Word-Embeddings Substitution

1. TinyBERT: Distilling BERT for Natural Language Understanding
2. That’s So Annoying!!!: A Lexical and Frame-Semantic Embedding Based Data Augmentation Approach to Automatic Categorization of Annoying Behaviors using #petpeeve Tweets

Masked Language Model

BERT、ROBERTA、ALBERT……

有一点需要指出，决定哪个词需要被替换，这是个需要仔细考虑的问题，不然替换后可能会导致语义变化。

1. BAE: BERT-based Adversarial Examples for Text Classification

TF-IDF based word replacement

该方法的思想是，TF-IDF 得分较低的词是 uninformative 的，所以对他们进行替换无伤大雅。

1. [提出者] 2020: Unsupervised Data Augmentation for Consistency Training

Back Translation

Steps:

1. 将句子从一种语言翻译成另一种语言，如英语 → 法语
2. 再从法语翻译回英语
3. 检查翻译回来的句子和原来的句子是否一样。如果不一样，那就算一个增强样本。

可以使用 TextBlob 来实现 BT，你甚至可以使用 Google Sheets：

1. 2020: Unsupervised Data Augmentation for Consistency Training。使用 BT 方法，仅仅使用 20 个标注样本训练的模型，性能超过使用 25000 个标注样本训练的模型，数据集为 IMDB。

Text Surface Transformation

正则模式匹配，例如将动词在缩略形式和展开形式之间来回转换。

但是存在一个问题是，It’s 有可能是 It is 也有可能是 It has：

为了解决这个问题，作者提出一个解决方法：有歧义的时候就不转，没歧义的时候转。

1. [提出者] 2018: Text Data Augmentation Made Simple By Leveraging NLP Cloud APIs

Random Noise Injection

在文本中插入噪声，这样也可以增强模型鲁棒性。

Spelling error injection

随机拼错句子中的词。

QWERTY Keyboard Error Injection

模拟人们在键盘输入时因为键位离得近而打错的场景。要用什么字母来替换，基于键盘距离来计算。

Unigram Noising

根据单词频率分布进行替换。

1. 2020: Unsupervised Data Augmentation for Consistency Training
2. 2017: Data Noising as Smoothing in Neural Network Language Models

Blank Noising

使用一个 placeholder 来随即替换一个词。论文中使用 _ 来作为 placeholder，用此方法来避免过拟合和作为语言模型的平滑机制。此方法帮助他们改善困惑度和 BLEU 分数。

1. [提出者] 2017: Data Noising as Smoothing in Neural Network Language Models

Sentence Shuffling

随机打乱句子。

Random Insertion

Steps:

1. 随机选择一个不是 stopword 的词
2. 找到这个词的近义词
3. 将该近义词插入到句子的一个随机位置

1. [提出者] 2019: EDA: Easy Data Augmentation Techniques for Boosting Performance on Text Classification Tasks

Random Swap

随机替换两个词的顺序。

1. [提出者] 2019: EDA: Easy Data Augmentation Techniques for Boosting Performance on Text Classification Tasks

Random Deletion

根据一定概率删除词。

1. [提出者] 2019: EDA: Easy Data Augmentation Techniques for Boosting Performance on Text Classification Tasks

Instance Crossover Augmentation

由论文 1 提出，灵感来源于遗传学中的染色体交叉互换现象。

Steps:

1. 分别将推文 1 和推文 2 拆成两部分
2. 将推文 1 的一部分与推文 2 的一部分拼接，组成新的增强推文

论文中发现该方法对准确率没有影响，但是提高了 F1，表明对样本较少的类别还是有好处的。

1. [提出者] 2019: Atalaya at TASS 2019: Data Augmentation and Robust Embeddings for Sentiment Analysis

Syntax-tree Manipulation

由论文 1 提出，对句法树依据一定规则进行修改，生成新的增强样本。例如将原先是主动语态的句子，改成被动语态。

1. [提出者] 2018: Text Data Augmentation Made Simple By Leveraging NLP Cloud APIs

MixUp for Text

Mixup 原本是用于 CV 领域的增强方法，由论文 1 提出。原本指在一个 batch 中随机选择两张图片，将他们按照一定比例进行叠加。这被认为是一种正则化手段。

后来论文 2 将这个方法适配到 NLP 中，提出了两种适配方法。

wordMixup

和图片叠加是 pixel 相加类似，对于文本，那就是 embedding 相加。随机选择两个句子，将他们的 word embedding 按照一定比例相加，得到一个新的增强样本的 word embedding，作为一个训练样本。最终计算交叉熵损失时，其 ground truth label 就是按相同比例叠加的 label。

sentMixup

和 wordMixup 不同的是，此方法不是直接将 word embedding 相加，而是通过将原始 word embedding 通过一个 encoder，得到 sentence embedding，再将两个句子的 sentence embedding 按照一定比例相加。计算损失时处理方法同上。

1. [CV提出者] 2018: mixup: Beyond Empirical Risk Minimization
2. [NLP提出者] 2019: Augmenting Data with Mixup for Sentence Classification: An Empirical Study

Generative Methods

在保有原本类别标签的同时，生成新的训练数据。

Conditional Pre-trained Language Models

由论文 1 提出，论文 2 在多个 transformer-based 预训练模型上验证了此方法。

Steps:

1. 在训练集中所有句子前追加其 label。

   

2. 使用预训练语言模型在这个新数据集中 finetune。对于 GPT2 来说就是生成任务，对于 BERT 来说就是 masked token prediction。

   

3. 使用上述训练好的语言模型，根据一定 prompt 生成新的训练样本。

   

4. [提出者] 2019: Not Enough Data? Deep Learning to the Rescue!

针对序列标注的数据增强方法

DAGA，EMNLP 2020

GitHub - ntunlp/daga: Data Augmentation with a Generation Approach for Low-resource Tagging Tasks

Steps:

1. Linearize。将 token 序列和 label 序列线性化成一个序列。有两种方法：tag-word 和 word-tag。论文发现 tag-word 性能较好，一个可能的原因是 tag-word 更符合 Modifier-Noun 模式，即修饰语-名词模式，这在数据集中非常常见。

   

2. Train。使用线性化后的数据集训练语言模型。

   

3. Predict。给定第一个词 [BOS]，使用训练好的模型生成新数据。在预测 I have booked a flight to 的下一个词时，由于训练集中有大量 a flight/train/trip to S-LOC 这种模式，所以模型大概率会预测下一个词为 S-LOC。然后再接下来，同样，训练集中 S-LOC 后面接的都是地点如 London、Paris，所以下一个一定是地点词。由于这都是根据概率随机生成的，所以会有比较大的多样性。（感觉是复杂高级版本的实体替换？）

   

LwTR，Label-wise token replacement，COLING 2020

Steps:

1. 对于每个 token，使用一个二项分布来决定该 token 是否需要被替换。
2. 如果是，那么根据从训练集统计得到的 label-wise token distribution，随机选择一个 token 与之替换。

此方法不会导致 label 序列变化。

SR，Synonym replacement，COLING 2020

和 LwTR 相似，只不过不再是从 label-wise token distribution 中选择 token 来替换，而是选择被替换 token 的同义词来替换，该同义词从 WordNet 中获得。

由于某词和其同义词的长度可能不等，所以此方法可能会导致 label 序列变化。

MR，Mention replacement，COLING 2020

这里说的 mention 就是指的实体（应该不包括 O）。该方法本质上就是 SR 的 label-wise 版本。

Steps:

1. 对于每个 mention，使用一个二项分布来决定该 mention 是否应该被替换。
2. 如果是，从训练集中随机选择一个相同类型的 mention 来与之替换。

和 SR 同样存在长度可能不等的问题，所以也会导致 label 序列变化。

SiS，Shuffle within segments，COLING 2020

这里说的 segment，指的是相同 label 类型的连续序列，一个 segment 仅包含一种实体类型。

Steps:

1. 将 token 序列 split 成多个 segment。
2. 对于每个 segment，使用一个二项分布来决定该 segment 是否应该被 shuffle。
3. 如果是，那么 shuffle。

此方法不会导致 label 序列变化。

SeqMix，EMNLP 2020

该方法实际上也是对 CV 中 mixup 方法的 NLP 适配。

GitHub - rz-zhang/SeqMix: The repository for our EMNLP’20 paper SeqMix: Augmenting Active Sequence Labeling via Sequence Mixup.

整个方法分成 3 个部分：Pairing、Mixup 和 Scoring/Selecting。

和 CV mixup 同理，此方法中，需要两个句子构成的句子对来进行 mixup。Pairing 就是如何挑选这个句子对的部分。挑选完句子对后，使用一定的 mixup 策略来混合句子对，得到一个或多个增强样本。而这个策略，论文提出了三种不同方法。得到增强样本后，我们需要评估该样本是不是合理，这就用到了 scoring/selecting 部分。该部分会对增强样本进行打分，如果该分值在合理范围内，那么就使用该增强样本。

Pairing

许多序列标注任务中，我们实际感兴趣的 label（即上文说的 mention，论文中称其为 valid labels）是比较少比较稀疏的。例如 NER 任务中，大部分 label 都是 O，我们感兴趣的 PER、LOC 等却比较少。所以，论文设计了一个 pairing 函数，该函数根据 valid label density η \eta η 来 pairing，定义如下：

η = n s \eta = \dfrac{n}{s} η=sn​

其中， n n n 是 sub-sequence 中 valid label 的数量， s s s 是 sub-sequence 的长度。

然后设置一个阈值 η 0 \eta_0 η0​，只有当 η ≥ η 0 \eta \ge \eta_0 η≥η0​ 的时候，才是符合要求的句子。

Mixup

假设 Pairing 后得到序列 1 和序列 2。然后我们有一个 token 表 W，及其响应的 embedding E。

在 wordMixup 和 sentMixup 中，我们是直接将 mixup 后得到的 embedding 作为增强样本的 embedding 送入后续模型，不必得到增强样本的 token 序列。而在此论文中，修改了 mixup 策略，并且还能得到增强样本的 token 序列。

选择 mixed token embedding：

1. 与 wordMixup 和 sentMixup 一样，根据比例 λ \lambda λ 混合序列 1 和 2 的 token embedding。 λ \lambda λ 从一个 Beta 分布采样的来。
2. 根据 E，计算与混合得到的 embedding 距离最近的 embedding。
3. 根据 E、W 和得到的距离最近 embedding，找到该 embedding 对应的 token。

这样就得到了增强样本的 token 序列，label 序列使用同样的比例进行混合。

根据 token 范围不同和 label 序列是否混合，有以下几种策略变种：

• Whole sequence mixup：使用整个序列参与混合。
• Sub-sequence mixup：使用序列的一部分参与混合。
• Label-constrained sub-sequence mixup：使用序列的一部分参与混合，且所有 label 保持不变。

Scoring/Selecting

混合比例 λ \lambda λ 决定了混合强度，0 或者 1 都表示和原来一样，0.5 则表示一半一半，意味着更强的多样性。但是更强的多样性，也就意味着得到的增强样本有更大风险低质量和强噪声。

所以要通过一个打分函数来控制这个多样性。论文中使用的是 GPT-2 来计算增强样本序列的困惑度。然后判断该困惑度是否在合理区间内。

综合来说，该结合 data augmentation 的 active learning 算法整体过程如下：

其中 SeqMix 部分如下：

作者做了一些实验验证 SeqMix 的性能。数据集使用的是 CoNLL-03、ACE05（14k 标注数据）和 Webpage（385 条标注数据），其中为了验证模型在 low-resource 下的有效性，作者从 CoNLL-03 中随机选择了 700 条数据作为最终训练集，替代原来的 CoNLL-03。而剩下两个数据集，由于标注比较稀疏，保持原样不变。

作者按照算法 1 的流程，首先将 SeqMix 与其他 active learning 算法进行对比，SeqMix 部分默认使用 NTE query 策略。结果如图所示：

结果显示：

1. SeqMix 方法在所有 data usage、所有数据集上都优于仅使用 AL 的方法。
2. 数据越少，SeqMix 效果越明显，与其他 AL 方法的差距越大。
3. sub-sequence 方法是三种 mixup 变种中效果最好的，加上 AL 时，使用 NTE 策略效果最好。

随后作者使用 Wilcoxon Signed Rank Test 对该结果进行了统计假设检验。结果显示，whole-sequence mixup 在 ACE05 数据集上没有通过检验，其他方法和其他数据集均通过检验。再结合 Fig 2，可能表明该方法在数据量大时效果不明显或不稳定，这可能是由于该方法在序列较长时可能会生成语义不合理的句子。

而 sub-sequence mixup 方法：

1. 保留了 sub-sequence 和原句剩余部分之间的 context 信息。
2. 继承了原句的局部信息。
3. 引入语言学多样性。

为了验证 SeqMix 方法尤其是 sub-sequence 方法对所有的 AL 方法都有提升，作者进一步将 SeqMix 方法与不同的 AL 方法进行比较，结果如 Fig 3 所示，平均来看，sub-sequence + NTE 的提升最大。

此外，作者基于上述实验结果，选用最优组合，即 sub-sequence + NTE，还做了对 discriminator 得分范围、valid label density η 0 \eta_0 η0​、混合比例 λ \lambda λ 的分布参数 α \alpha α、augment rate r r r 的不同参数实验，结论总结如下：

Discriminator 得分范围

第一列的表头 Data Usage 应该是错误的，应为 discriminator score range。

使用的数据集为 CoNLL-03，700 个样本。从 200 个样本开始训练，每次 AL 增加 100 个样本，共进行 5 轮。由表可知，得分范围在 ( 0 , 500 ) (0,500) (0,500) 时效果最好。

注意得分实际上是困惑度。所以，得分越低，生成的增强样本语义上越好，也就是越顺，也会得到更好的效果。但是也不能无限降低，太苛刻，这样就得不到足够数量的增强样本了。

Valid label density η 0 \eta_0 η0​

前面说过，VLD 是由 sub-sequence 内的合法标签数 n n n（B-PER 和 I-PER 算两个）和其长度 s s s 相除得到的。需要注意的是

1. 长度 s s s 的计算。对于 whole-sequence mixup， s s s 就是整个序列的长度，但是对于 sub-sequence mixup， s s s 实际上是窗口的大小。
2. 实际代码中，是使用合法标签数 n n n 来选取 valid sub-sequence 的，而不是直接计算比例 η \eta η，所以才会出现下图中 2/4 和 3/6 虽然都是 η = 0.5 \eta = 0.5 η=0.5 但是却并存的情况。

由图可知，红色点线代表的 3/5 组合效果最好。

混合比例 λ \lambda λ 的分布参数 α \alpha α

论文中称之为 Mixing parameter。 α \alpha α 是 Beta 分布 的参数，本来 Beta 分布有两个参数，但是此处将两个参数设为相同，即 λ ∼ Be ( α , α ) \lambda \sim \text{Be}(\alpha, \alpha) λ∼Be(α,α)。该分布有个特点，值域为 ( 0 , 1 ) (0,1) (0,1)，参数越大，采样值越有可能在 0.5 附近。

分布参数为 [0.5, 1, 2, 4, 8, 16] 时的分布形状

实验结果如 Fig 4(b) 所示：

可见 α = 8 \alpha=8 α=8 时性能最好，此时 λ \lambda λ 越有可能在 0.5 附近，意味着为增强样本引入了更多的多样性。但是 α \alpha α 也不是越大越好，越大意味着 λ \lambda λ 的多样性就会减少，进入导致增强样本多样性减少。

Augment rate r r r

r r r 的定义如下：

r = L ∗ ψ ( U , K , γ ( ⋅ ) ) r = \dfrac{\mathcal L^*}{\psi \left( \mathcal U, \mathcal K, \gamma(\cdot) \right)} r=ψ(U,K,γ(⋅))L∗​

即增强样本数量与原样本数量 K \mathcal K K 的比例。分母表示使用策略函数 γ \gamma γ ，从 unlabelled dataset U \mathcal U U 中选出 Top K \mathcal K K 个样本。值域为 [ 0 , 1 ] [0, 1] [0,1]，所以按照论文中说法，每次最多增强 K \mathcal K K 个样本。那么每次增强多少呢？实验比较结果如下：

这论文写的也太不严谨了，发现好几处错误了

可见平均来说，0.2 的 augment rate 更为合适一点，说明模型更偏向“温和”一点的增强。总体来说，不宜超过 0.6。

此外我个人觉得，数据量较少时，可能使用较小的 augment rate 好一点；而数据量较大时，可能偏向较大的 augment rate。

一些可用的库

• GitHub - makcedward/nlpaug: Data augmentation for NLP
• GitHub - QData/TextAttack: TextAttack