data_aug

数据增强

策略简介

• 支持环境： py3.7+PaddlePaddle2.0
• 目前文心2.1.0数据增强工具提供4种增强策略：遮盖、删除、同词性词替换、词向量近义词替换
• 可通过入口参数配置各增强策略的概率比例，在数据的一次增强中使用多种增强策略
• 依赖说明：

模块	依赖	原理简介
unk	no	随机mask
truncate	no	随机删除
pos	lac	同词性词替换，依赖LAC算子进行分词和词性标注
w2v	lac, gensim, tqdm	词向量近义词替换

• • gensim安装最新版本：pip install gensim
  • tqdm安装：pip install tqdm
  • LAC安装最新版本：pip install lac

脚本运行（说明）

开发套件用于数据增强的python脚本位于目录./applications/tools/data_aug/data_aug.py

• 运行data_aug.py脚本

python data_aug.py "输入文件夹的目录" "输出文件夹的目录"

• data_aug.py脚本传参说明

shell输入：
    python data_aug.py -h

shell输出：
    usage: data_aug.py [-h] [-n AUG_TIMES] [-c COLUMN_NUMBER] [-u UNK]
                       [-t TRUNCATE] [-r POS_REPLACE] [-w W2V_REPLACE]
                       [-e ERNIE_REPLACE] [--unk_token UNK_TOKEN]
                       input output
    
    main
    
    positional arguments:
      input                                                #原始待增强数据文件所在文件夹，带label的，一个或多个文本列
      output                                               #输出文件路径
    
    optional arguments:
      -h, --help            show this help message and exit
      -n AUG_TIMES, --aug_times AUG_TIMES                  #数据集数目放大n倍，output行数为input的n+1倍      
      -c COLUMN_NUMBER, --column_number COLUMN_NUMBER      #明文文件中所要增强列的列序号，多列用逗号分割，如：1,2
      -u UNK, --unk UNK                                    #unk 增强策略的概率
      -t TRUNCATE, --truncate TRUNCATE                     #truncate 增强策略的概率
      -r POS_REPLACE, --pos_replace POS_REPLACE            #pos_replace 增强策略的概率
      -w W2V_REPLACE, --w2v_replace W2V_REPLACE            #w2v_replace 增强策略的概率
      --unk_token UNK_TOKEN                    

下游任务使用demo

分类任务

• 使用文心框架中的增强工具在下游任务中进行数据增强，然后再训练
• 进去下游任务（分类任务）

cd ./applications/tasks/text_classification/

• 一键启动数据增强和训练脚本

sh run_with_data_aug.sh

效果评测

Model	训练集样本数目：100条****测试集样本数目：50条	训练集样本数目：200条****测试集样本数目：500条	训练集样本数目：500条****测试集样本数目：500条	训练集样本数目：1000条****测试集样本数目：500条
Base+CNN	acc/pre: 0.8/0.7971	acc/pre: 0.87,0.8725	acc/pre: 0.906,0.9063	acc/pre: 0.912,0.9126
+unk	acc/pre: 0.84/0.8507 ↑提升4-5个百分点	acc/pre: 0.906,0.9059 ↑提升3个百分点	acc/pre: 0.922,0.9225 ↑提升1.6个百分点	acc/pre: 0.928,0.9297 ↑提升1.6个百分点
+truncate	acc/pre: 0.86/0.8667 ↑提升6-7个百分点	acc/pre: 0.908,0.9082 ↑提升3个百分点	acc/pre: 0.916,0.9164 ↑提升1个百分点	acc/pre: 0.928,0.9289 ↑提升1.6个百分点
+pos	acc/pre: 0.82/0.8243 ↑提升2-3个百分点	acc/pre: 0.906,0.9061 ↑提升3个百分点	acc/pre: 0.926,0.9279 ↑提升4个百分点	acc/pre: 0.924,0.9261 ↑提升1.2个百分点
+w2v	acc/pre: 0.84/0.8381 ↑提升4个百分点	acc/pre: 0.904,0.904 ↑提升3个百分点	acc/pre: 0.916,0.9164 ↑提升1个百分点	acc/pre: 0.926,0.926 ↑提升1.4个百分点