自然语言处理是人工智能的一个重要分支,近年来,深度学习与自然语言处理的结合为该领域带来一个新的突破口,然而,深度学习中神经网络模型的确定依赖的基本要素是训练集数据质量。近年来,“数据不足”的问题时常发生,针对该问题,“数据增强”应用而生。数据增强是利用现有训练数据通过一定的方法扩充数据,从而增强分类器的准确性、鲁棒性。关于数据增强的研究主要分为“图像增强”与“文本数据增强”,关于“图像增强”的方法研究较多,包括翻转、旋转、缩放比例、裁剪、移位、仿射类等,“文本数据增强”的方法包括回译、简单数据增强、非核心词替换、基于上下文信息的文本增强以及基于语言生成模型的文本增强。近年来,有研究人员把“神经网络架构搜索”的思想应用到“图像增强”领域,从而实现图像的自动增强,然而,鲜有人员研究“神经网络架构搜索”应用到“文本增强”领域,帮助文本实现文本数据的自动增强,本文将研究点立足于此,提出文本数据自动增强,利用神经网络架构自动搜索目标文本的特定增强策略,该方法给分类器性能带来一定幅度的提升效果。论文提出一种新的文本增强方法:文本数据的自动增强,该方法的提出基于强化学习、借鉴神经网络架构搜索的思想。首先,控制器在搜索空间中搜索针对目标数据集的增强策略,将增强策略应用到子模型的训练中;然后,利用训练完成的子模型对验证集进行分类;最后,控制器得到分类反馈,更新策略。论文主要采用“对比研究”的研究形式,三个对比模型分别是:(1)训练集为原始语料,不做数据加强处理;(2)训练集为原始语料经过简单数据增强技术得到的数据。(3)训练集是神经网络自动搜索出来的文本数据增强策略应用于原始语料后的增强数据。论文在研究实验采用三个文本分类数据集trec、sst2、cr,每一个数据集分别使用三个量级的平衡子数据集“500”、“2000”、“全集”进行实验,比较不同数据量级下,在三种实验条件下分类器的效果;同时,为 了比较 RNN(Recurrent Neural Network)与 CNN(Convolutional Neural Network)的分类效果的差异,强化学习中子模型网络和最终用于分类器的神经网络会对应变化,训练数据比较分类效果。最后,将文本数据自动增强方法应用于商品风险评估系统的用户评价评估功能中,验证在实际背景下文本数据自动增强方法具有实践意义。论文研究得出三点结论:1)在文本分类问题上,使用自动搜索增强策略方法在分类效果上带来一定程度的提高;随着数据集量级的增大,自动增强方法带来的效果呈现下降趋势,在小数据集上提升效果明显,三个文本分类数据集在“500”数据集量级上平均提高1.8个点,但在大数据集上,提升效果不明显。2)自动搜索增强策略方法带来的效果提升略优于简单数据增强方法,且随着数据集量级的增大,二者的表现效果逐渐接近,差距越来越小。3)在三个数据源上,相同数据量级相同训练数据下,CNN上测试集的准确率高于RNN上测试集的准确率,然而与CNN相比,自动搜索增强策略的方法给RNN带来明显更高的的效果提升,准确率在500数据集上平均提高2个百分点,而CNN的准确率提高约一个点左右。