一键中文数据增强工具

来源：机器学习AI算法工程本文约1200字，建议阅读5分钟本文为你推荐一键中文数据增强工具。

使用：pip install nlpcda

https://github.com/425776024/nlpcda

介绍

一键中文数据增强工具，支持：

• 1.随机实体替换
• 2.近义词
• 3.近义近音字替换
• 4.随机字删除（内部细节：数字时间日期片段，内容不会删）
• 5.NER类 BIO 数据增强
• 6.随机置换邻近的字：研表究明，汉字序顺并不定一影响文字的阅读理解<<是乱序的
• 7.中文等价字替换（1 一 壹 ①，2 二 贰 ②）
• 8.翻译互转实现的增强
• 9.使用simbert做生成式相似句生成

经过细节特殊处理，比如不改变年月日数字，尽量保证不改变原文语义。即使改变也能被猜出来、能被猜出来、能被踩出来、能被菜粗来、被菜粗、能菜粗来。

WIP

• 基于语音的洗文本过程（类似翻译）。文本转语音>语音识别回文本：基于fastspeech2对文本生成语音，基于wav2vec2语音识别文本

例子： input: 新华社北京消息 > fastspeech2 > x.wav x.wav > wav2vec2 > output: 新华设北京消息

• 数字转换工具（用于文本转换、中文语音合成需要纯中文）

今天是8月29日消息 > 今天是八月二十九日消息

我有1234个苹果 > 我有一千二百三十四个苹果

意义

• 在不改变原文语义的情况下，生成指定数量的训练语料文本
• 对NLP模型的泛化性能、对抗攻击、干扰波动，有很好的提升作用
• 参考比赛(本人用此策略+base bert拿到：50+-/1000)： https://www.biendata.com/competition/2019diac/

⚠️ 单纯刷准确率分数的比赛，用此包一般不会有分数提升

API

1.随机(等价)实体替换

参数：

• base_file ：缺省时使用内置（公司）实体。对公司实体进行替换 是文本文件路径，内容形如： 实体1 实体2 ... 实体n
• create_num=3 ：返回最多3个增强文本
• change_rate=0.3 ：文本改变率
• seed ：随机种子

2.随机同义词替换

参数：

• base_file ：缺省时使用内置同义词表，你可以设定/自己指定更加丰富的同义词表： 是文本文件路径，内容形如（空格隔开）： Aa01A0 人类 生人 全人类 id2 同义词b1 同义词b2 ... 同义词bk ... idn 同义词n1 同义词n2\
• create_num=3 ：返回最多3个增强文本
• change_rate=0.3 ：文本改变率
• seed ：随机种子

3.随机近义字替换

参数：

• base_file ：缺省时使用内置【同义同音字表】，你可以设定/自己指定更加丰富的同义同音字表： 是文本文件路径，内容形如（\t隔开）： de 的 地 得 德 嘚 徳 锝 脦 悳 淂 鍀 惪 恴 棏 拼音2 字b1 字b2 ... 字bk ... 拼音n 字n1 字n2\
• create_num=3 ：返回最多3个增强文本
• change_rate=0.3 ：文本改变率
• seed ：随机种子

4.随机字删除

参数：

• create_num=3 ：返回最多3个增强文本
• change_rate=0.3 ：文本改变率
• seed ：随机种子

5.NER命名实体 数据增强

输入标注好的NER数据目录，和需要增强的标注文件路径，和增强的数量，即可一键增强。

Ner类参数：

• ner_dir_name='ner_data' : 在ner数据放在ner_data目录下（里面很多.txt）
• ner_dir_name提供的目录下是各种标注数据文件，文件内容以标准的NER 的BIO格式分开

6.随机置换邻近的字

• char_gram=3：某个字只和邻近的3个字交换
• 内部细节：遇到数字，符号等非中文，不会交换

7.等价字替换

参数：

• base_file ：缺省时使用内置【等价数字字表】，你可以设定/自己指定更加丰富的等价字表(或者使用函数：add_equivalent_list)： 是文本文件路径，内容形如（(\t)隔开）： 0 零 〇 1 一 壹 ① ... 9 九 玖 ⑨
• create_num=3 ：返回最多3个增强文本
• change_rate=0.3 ：文本改变率
• seed ：随机种子

添加自定义词典

用于使用之前，增加分词效果

8.翻译互转实现的增强

1.百度中英翻译互转实现的增强 note:

申请你的 appid、secretKey:

http://api.fanyi.baidu.com/api/trans

编辑：于腾凯