nlpcda

收录理由

这个中文NLP数据增强工具能帮助训练语料不足的项目快速生成更多样本，无需重新采集数据。通过pip即可安装，内置九种增强手段，包括随机实体替换、同义词与近音字替换、字符删除、邻近字乱序、等价字替换，还专门为BIO格式的NER数据提供了句子与标签同步增强的模式，这是多数同类工具开箱即用所不具备的。作者在细节上做了处理，日期、时间、数字等关键信息不会被破坏，生成结果能保留原句大部分语义。使用者也可以自行传入同义词表或等价字词典，方便把扰动控制在自己业务领域内。对于训练中文分类器、检索模型或实体识别器而又不想额外标注数据的团队来说，这是一个简单直接的起点。