NLP一键中文数据增强工具

向AI转型的程序员都关注了这个号????????????

机器学习AI算法工程公众号：datayx

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

项目获取方式：

关注微信公众号 datayx 然后回复增强即可获取。

AI项目体验地址 https://loveai.tech

计划中的未来内容

增加多线程操作，一键操作
使用 WordNet数据库来做同义词替换
随机噪声注入？随机插入一些字符，太简单实现了。
利用pingyin？https://github.com/mozillazg/python-pinyin
基于Word2Vec、BERT等词向量的词语近距离的替换、MASK猜测置换？？但是无法控制它生成，以及缺点MASK位置。
引入TF-IDF、TextRank、关键词字典等，可以选择：替换/不替换关键词？？

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/

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：

ignore_tag_list=['O'] : 数据里面O标签的不需要管
data_augument_tag_list=['P', 'LOC'] : 只对P、LOC标签的实体做增强
augument_size=3 : 每条标注数据，最多新增强数量
seed=0 : 随机种子/ 可缺省

调用函数augment()参数

file_name: 1条标注训练文件的路径，如0.txt
ner.augment(file_name='0.txt')

例子：

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

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

9.simbert

来源：https://github.com/ZhuiyiTechnology/pretrained-models

参考：https://github.com/ZhuiyiTechnology/simbert

下载其中任意模型，解压到任意位置赋值给model_path变量：

参数：

config：model_path（上述下载的模型位置），设备（cpu/cuda...）、最大长度、随机种子
sent：需要增强的句子
create_num：构造的句子数量

机器学习算法AI大数据技术

搜索公众号添加： datanlp

长按图片，识别二维码

阅读过本文的人还看了以下文章：

TensorFlow 2.0深度学习案例实战

基于40万表格数据集TableBank，用MaskRCNN做表格检测

《基于深度学习的自然语言处理》中/英PDF

Deep Learning 中文版初版-周志华团队

【全套视频课】最全的目标检测算法系列讲解，通俗易懂！

《美团机器学习实践》_美团算法团队.pdf

《深度学习入门：基于Python的理论与实现》高清中文PDF+源码

特征提取与图像处理(第二版).pdf

python就业班学习视频，从入门到实战项目

2019最新《PyTorch自然语言处理》英、中文版PDF+源码

《21个项目玩转深度学习：基于TensorFlow的实践详解》完整版PDF+附书代码

《深度学习之pytorch》pdf+附书源码

PyTorch深度学习快速实战入门《pytorch-handbook》

【下载】豆瓣评分8.1,《机器学习实战:基于Scikit-Learn和TensorFlow》

《Python数据分析与挖掘实战》PDF+完整源码

汽车行业完整知识图谱项目实战视频(全23课)

李沐大神开源《动手学深度学习》，加州伯克利深度学习（2019春）教材

笔记、代码清晰易懂！李航《统计学习方法》最新资源全套！

《神经网络与深度学习》最新2018版中英PDF+源码

将机器学习模型部署为REST API

FashionAI服装属性标签图像识别Top1-5方案分享

重要开源！CNN-RNN-CTC 实现手写汉字识别

yolo3 检测出图像中的不规则汉字

同样是机器学习算法工程师，你的面试为什么过不了？

前海征信大数据算法：风险概率预测

【Keras】完整实现‘交通标志’分类、‘票据’分类两个项目，让你掌握深度学习图像分类

VGG16迁移学习，实现医学图像识别分类工程项目

特征工程(一)

特征工程(二) :文本数据的展开、过滤和分块

特征工程(三):特征缩放,从词袋到 TF-IDF

特征工程(四): 类别特征

特征工程(五): PCA 降维

特征工程(六): 非线性特征提取和模型堆叠

特征工程(七)：图像特征提取和深度学习

如何利用全新的决策树集成级联结构gcForest做特征工程并打分？

Machine Learning Yearning 中文翻译稿

蚂蚁金服2018秋招-算法工程师（共四面）通过

全球AI挑战-场景分类的比赛源码(多模型融合)

斯坦福CS230官方指南：CNN、RNN及使用技巧速查（打印收藏）

python+flask搭建CNN在线识别手写中文网站

中科院Kaggle全球文本匹配竞赛华人第1名团队-深度学习与特征工程

不断更新资源

深度学习、机器学习、数据分析、python

搜索公众号添加： datayx