自然语言处理（NLP）中的数据增强涉及修改或生成文本数据以创建新的训练样本，从而在无需额外标注数据的情况下提高模型性能。与图像增强中常用的旋转或裁剪等技术不同，NLP 需要在引入变异性的同时保留语义意义的方法。这对于文本分类或机器翻译等任务至关重要，这些任务要求模型能够泛化到不同的措辞和词汇。
常用技术包括同义词替换、回译和基于规则的修改。同义词替换使用 WordNet 等工具将单词替换为其同义词（例如，将“fast”改为“quick”）。回译将文本翻译成另一种语言再翻译回来（例如，英语 → 法语 → 英语）以创建释义。基于规则的方法可能会在句子中插入、删除或打乱单词（例如，“The cat sat”→“A cat sat quietly”）。高级方法利用 BERT 或 GPT 等语言模型生成上下文感知的变体。例如，在分类任务中，将“I loved the movie”替换为“The film was fantastic”，同时保留情感。
数据增强在低资源场景下尤其有用。在命名实体识别（NER）中，替换实体提及（例如，将“London”替换为“Paris”）可以多样化训练数据，而不会改变结构。NLPAug 或 TextAttack 等工具通过提供预构建的增强管道来简化实现。然而，挑战依然存在：过度激进的修改可能会扭曲含义（例如，将“not good”中的否定改为“not bad”）。开发者必须通过人工评估或模型性能指标来验证增强后的数据。如果谨慎应用，增强可以减少过拟合并提高鲁棒性，使模型能够适应真实的语言变异。