arXiv cs.CL· Mahmoud S. Mayaleh, Samer A. Mayaleh·· 10 小时前AI 评分20
通过数据增强与迁移学习提升小数据集情感分类性能
Enhancing Sentiment Classification on Small Datasets through Data Augmentation and Transfer Learning
AI 导读
研究对比了 EDA、回译和上下文 token 替换三种数据增强策略在传统机器学习分类器（Logistic Regression、Random Forest）与 BERT 上的效果，所有方法均带来性能提升。上下文增强对 BERT 提升最稳定，EDA 和回译对传统分类器收益更大，为按模型类型和小数据集规模选择增强方法提供了实证依据。
正文 · AI 翻译
摘要：小规模情感分类常常面临数据稀缺的问题，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）、回译和上下文词元替换（nlpaug 风格），并同时使用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）。我们通过总结近期研究的结果并进行有针对性的头对头实验，在低资源情感数据集上进行了全面的实证比较。我们的研究结果表明，所有增强方法都能提升性能。上下文增强对 BERT 模型带来最稳定的增益，而 EDA 和回译对传统分类器带来更大的收益。这些见解有助于指导根据模型类型和数据集规模选择合适的数据增强技术，填补了小型数据集情感分类数据增强研究中的关键空白。
| 主题： | 机器学习（cs.LG）；计算与语言（cs.CL） |
| 引用为： | arXiv:2610.41518 [cs.LG] |
| （或 arXiv:2610.41518v1 [cs.LG] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2610.41518 由 DataCite 颁发的 arXiv DOI（待注册） |
|
| 期刊 参考： | Discover Artificial Intelligence 6 (2026) 127 |
| 相关 DOI： | https://doi.org/10.1007/s44163-025-00813-9
链接到相关资源的 DOI |
提交历史
来自：Mahmoud S. Mayaleh [查看电子邮件]
[v1]
2026年10月30日星期五 10:08:46 UTC（551 KB）
来源：arXiv cs.CL · arxiv.org