昨天遇见一位老哥，问我知道哪些NLP增强技术。我一下子懵了，增强技术最早来源于 图像处理，后来在《百面机器学习》这本书中我看见了它的详细解读。NLP的增强技术？其实，以前我也是用过的。
在语音助手的时候，作为输入预料，我首先针对定义进行了语料的数据增强。作为主打模型的TextCNN，其实我们也是有数据增强技术的，为此，我还写过好几次的探索总结。
回来后，我在知乎上看到了关于NLP数据增强的技术，于是准备研究一番。
本文重点参考 知乎名帖1

  1. 词汇替换
    1.1 基于词典的替换
    （1）动词，做成了小set；叹词、人称词都有字典，可以随意替换
    （2）资源替换是一个难点。比如，儿童教育 这个技能。有些资源是儿童教育专有的，其他资源不属于儿童教育，所以替换时要注意，还要添加 对抗句子。而且针对这种情况，我们还有词嵌入 方式来把握。
    1.2. 基于词向量的词汇替换
    没用过，预训练模型太大了，这应该不好操作吧
    1.3 基于掩码语言模型（MLM augmentation）
    难操作，不好控制
    1.4 基于TF-IDF的词替换
    tf是频率高的词，IDF是文章间区分权重大的词。本技巧的原意是 去掉那些 不重要的词。
  2. 回译
    这种方法在增强文本相似数据集时很有用
  3. 文本形式变换
    这里专指 把词语展开或缩略
  4. 随机噪音注入
    基于一个假设：对样本进行少量的干扰，模型对其预测的结果具有一致性
    4.1 引入拼写错误
    这个有。我们将语音识别后的错误结果保存下来，作为某个正式资源名的别名。
    4.2 Unigram噪音、Blank噪音
    一个是加入 没用的高频词；一个是加入 固定符号
    4.3 其他简单方法
    （1）句子顺序shuffle
    （2）随机交换两个词的顺序
    （3）随机插入词或句子
    （4）随机删除
  5. 实例交叉增强