文章主要内容总结本文聚焦自然语言处理（NLP）中的数据增强方法，旨在探究在大语言模型（LLM）时代，传统的数据增强方法（如回译、释义）能否借助新一代模型达到与纯生成式方法（如零样本/少样本生成）相当的效果。研究以情感分类任务为背景，采用GoEmotions数据集（存在类别不平衡问题，重点关注5个样本量最少的情感类别），对比了四种数据增强方法：过采样（基线方法，通过复制样本解决类别不平衡）；基于LLM的释义（使用GPT-3.5和GPT-4，设计不同提示词策略）；零样本/少样本生成（使用GPT模型生成新样本）；回译（使用DeepL、GPT系列模型、MarianMT等工具，通过多语言翻译生成样本）。通过评估生成数据的质量（词汇多样性、语义保真度）和对分类性能的影响（基于LaBSE和DistilBERT模型微调后的F1分数），研究发现：回译和释义方法的效果可与甚至优于零样本/少样本生成；其中，使用DeepL的回译方法在分类性能上表现最佳，而GPT模型的释义方法在词汇多样性上更具优势。创新点系统对比传统与生成式方法：首次在LLM框架下，系统比较了传统数据增强方法（回译、释义）与新兴生成式方法（零样本/少样本生成）在情感分类任务中的效果，填补了相关研究空白。多维度评估体系：不仅关注分类性能提升，还从词汇多样性（词数比、Jaccard差异度等）和语义保真度（余弦相似度、BERTScore等）多角度评估生成数据质量 Backtranslation and paraphrasing in the LLM era? Comparing data augmentation methods for emotion ...
文章主要内容总结本文聚焦自然语言处理（NLP）中的数据增强方法，旨在探究在大语言模型（LLM）时代，传统的数据增强方法（如回译、释义）能否借助新一代模型达到与纯生成式方法（如零样本/少样本生成）相当的效果。研究以情感分类任务为背景，采用GoEmotions数据集（存在类别不平衡问题，重点关注5个样本量最少的情感类别），对比了四种数据增强方法：过采样（基线方法，通过复制样本解决类别不平衡）；基于LLM的释义（使用GPT-3.5和GPT-4，设计不同提示词策略）；零样本/少样本生成（使用GPT模型生成新样本）；回译（使用DeepL、GPT系列模型、MarianMT等工具，通过多语言翻译生成样本）。通过评估生成数据的质量（词汇多样性、语义保真度）和对分类性能的影响（基于LaBSE和DistilBERT模型微调后的F1分数），研究发现：回译和释义方法的效果可与甚至优于零样本/少样本生成；其中，使用DeepL的回译方法在分类性能上表现最佳，而GPT模型的释义方法在词汇多样性上更具优势。创新点系统对比传统与生成式方法：首次在LLM框架下，系统比较了传统数据增强方法（回译、释义）与新兴生成式方法（零样本/少样本生成）在情感分类任务中的效果，填补了相关研究空白。多维度评估体系：不仅关注分类性能提升，还从词汇多样性（词数比、Jaccard差异度等）和语义保真度（余弦相似度、BERTScore等）多角度评估生成数据质量 RELATED READING
延伸阅读
更多一线实战笔记与深度复盘，助您持续精进
)
![[光学原理与应用-521]：对光的错误理解与纠偏](http://pic.xiahunao.cn/yaotu/[光学原理与应用-521]：对光的错误理解与纠偏)
