论文
低资源情感分类增广比较：上下文替换更利于BERT适配
Enhancing Sentiment Classification on Small Datasets through Data Augmentation and Transfer Learning
摘要
小规模的情感分类通常会受到数据稀缺的影响，这限制了模型的泛化能力。本研究评估并比较了三种数据增强策略的有效性：简单数据增强 (EDA)、回译和上下文标记替换（nlpaug 式），并结合传统机器学习分类器（逻辑回归、随机森林）和基于 transformer 的模型 (BERT)。我们通过总结最近的研究结果并进行有针对性的直接对照实验，在低资源情感数据集上进行全面实证比较。我们的研究结果表明所有增强方法都能提高性能。上下文增强为 BERT 模型带来了最一致的收益，而 EDA 和回译为传统分类器提供了更大的好处。这些见解有助于指导选择适合模型类型和数据集大小的数据增强技术，填补小数据集情感分类数据增强研究的关键空白。
