结合标签混淆的中文文本分类数据增强技术.pdfVIP

JournalofComputerApplicationsISSN1001⁃90812025⁃04⁃10

计算机应用,2025,45(4):1113-1119CODENJYIIDUhttp://www.joca.cn

文章编号：1001-9081（2025）04-1113-07DOI:10.11772/j.issn.1001-9081.2024040550

结合标签混淆的中文文本分类数据增强技术

12*1，31

孙海涛，林佳瑜，梁祖红，郭洁

（1.广东工业大学计算机学院，广州510006；2.广东工业大学图书馆，广州510006；3.广东工业大学实验教学部，广州510006）

（∗通信作者电子邮箱linjiayu@gdut.edu.cn）

摘要：传统数据增强技术，如同义词替换、随机插入和随机删除等，可能改变文本的原始语义，甚至导致关键信

息丢失。此外，在文本分类任务中，数据通常包含文本部分和标签部分，然而传统数据增强方法仅针对文本部分。为

解决这些问题，提出一种结合标签混淆的数据增强（LCDA）技术，从文本和标签这2个基本方面入手，为数据提供全面

的强化。在文本方面，通过对文本进行标点符号随机插入和替换以及句末标点符号补齐等增强，在保留全部文本信

息和顺序的同时增加文本的多样性；在标签方面，采用标签混淆方法生成模拟标签分布替代传统的one-hot标签分布，

以更好地反映实例和标签与标签之间的关系。在THUCNews（TsingHuaUniversityChineseNews）和Toutiao这2个中文

新闻数据集构建的小样本数据集上分别结合TextCNN、TextRNN、BERT（BidirectionalEncoderRepresentationsfrom

Transformers）和RoBERTa-CNN（RobustlyoptimizedBERTapproachConvolutionalNeuralNetwork）文本分类模型的实验

结果表明，与增强前相比，性能均得到显著提升。其中，在由THUCNews数据集构造的50-THU数据集上，4种模型结

合LCDA技术后的准确率相较于增强前分别提高了1.19、6.87、3.21和2.89个百分点；相较于softEDA（EasyData

Augmentationwithsoftlabels）方法增强的模型分别提高了0.78、7.62、1.75和1.28个百分点。通过在文本和标签这2

个维度的处理结果可知，LCDA技术能显著提升模型的准确率，在数据量较少的应用场景中表现尤为突出。

关键词：数据增强；文本分类；标签混淆；中文新闻主题；预训练模型

中图分类号：TP391.1文献标志码：A

Dataaugmentationtechniqueincorporatinglabelconfusionfor

Chinesetextclassification

1