最强的数据扩增方法竟然是添加标点符号？_给文本添加逗号是数据增强

今天的这篇文章源自于EMNLP 2021 Findings，论文标题为《AEDA: An Easier Data Augmentation Technique for Text Classification》。实际上用一句话即可总结全文：对于文本分类任务来说，在句子中插入一些标点符号是最强的数据扩增方法

AEDA Augmentation

读者看到这肯定会想问：添加哪些标点符号？加多少？对于这些问题，原论文给出了非常详细的解答，同时这部分也是论文唯一有价值的地方，其他部分的文字叙述基本是在说一些基础概念，或者前人工作等等

首先，可选的标点符号有六个：{".", “;”, “?”, “:”, “!”, “,”}。其次，设添加句子标点的个数为$n$，则

$$n\in [1,\frac{1}{3}l]$$

其中，$l$为句子长度。下面给出几个扩增例子

Original a sad , superior human comedy played out on the back roads of life . Aug   1 a sad , superior human comedy played out on the back roads ; of life ; . Aug   2 a , sad . , superior human ; comedy . played . out on the back roads of life . Aug   3 : a sad ; , superior ! human : comedy , played out ? on the back roads of life .

$$\begin{array}{cc} \hline \textbf{Original} & \text{a sad , superior human comedy played out on the back roads of life .} \\ \hline \textbf{Aug 1} & \text{a sad , superior human comedy played out on the back roads ; of life ; .}\\ \hline \textbf{Aug 2} & \text{a , sad . , superior human ; comedy . played . out on the back roads of life .}\\ \hline \textbf{Aug 3} & \text{: a sad ; , superior ! human : comedy , played out ? on the back roads of life .}\\ \hline \end{array}$$ OriginalAug 1Aug 2Aug 3​a sad , superior human comedy played out on the back roads of life .a sad , superior human comedy played out on the back roads ; of life ; .a , sad . , superior human ; comedy . played . out on the back roads of life .: a sad ; , superior ! human : comedy , played out ? on the back roads of life .​​

光说不练假把式，效果究竟几何呢？原论文做了大量文本分类任务的实验，并且与EDA方法进行了比较，而且有意思的是，AEDA在github上的repo是fork自EDA论文的repo，怎么有种杀鸡取卵的感觉

首先看下面一组图，作者在5个数据集上进行了对比（模型为RNN）

在BERT上的效果如下表所示，为什么上面都测了5个数据集，而论文中对BERT只展示了2个数据集的结果呢？我大胆猜测是因为在其他数据集上的效果不太好，否则没有理由不把其余数据集的结果贴出来

Model SST2 TREC BERT 91.10 97.00 +EDA 90.99 96.00 +AEDA 91.76 97.20

$$\begin{array}{c|cc} \text{Model} & \text{SST2} & \text{TREC} \\ \hline \text{BERT} & 91.10 & 97.00\\ \hline \text{+EDA} & 90.99 & 96.00\\ \hline \text{+AEDA} & \pmb{91.76} & \pmb{97.20}\\ \end{array}$$ ModelBERT+EDA+AEDA​SST291.1090.9991.7691.7691.76​TREC97.0096.0097.2097.2097.20​​

Reference

• AEDA: An Easier Data Augmentation Technique for Text Classification