使用Doc2Vec向量化文本时适配的有效文本增强技术有哪些？

核心筛选原则 #

所有增强方法需要同时满足两个要求：

1. 不改变原文本的下游任务标签（比如你的情感分类场景里，正样本增强后依然是正情感）
2. 能让已训练的Doc2Vec输出和原样本有合理差异的向量，避免增强样本无效

推荐适用的增强方法 #

• 同义词/近义词替换：和你的直觉一致，是这类场景下效果最好的方法。比如你例子里的happy替换为ecstatic，核心情感标签不变，同时Doc2Vec不管采用PV-DM还是PV-DBOW模式，都会识别到词汇变化，输出的向量会存在合理差异，正好给下游分类器提供更丰富的特征，平滑决策边界。实操时可以用同义词词库（如WordNet）或小样本微调后的掩码语言模型做替换，避免出现语义偏移。
• 非核心词删除：删除原句中不影响核心语义的虚词、冗余修饰词，比如你的例子可以删去定冠词得到dog is happy，语义标签不变，输入Doc2Vec后会因为输入序列变化产生有差异的向量。注意不要删除和分类标签相关的核心词（如例子里的happy）。
• 无关属性插入：在原句中加入不影响核心语义的修饰属性，比如你的例子可以扩展为the cute dog is happy，核心语义依然是正向情感，新增的词汇会让Doc2Vec输出的向量产生合理变化。
• 词形/时态变换：针对英文场景，可以在不改变语义的前提下修改词汇时态、单复数等形式，比如把例子改为the dog was happy，标签不变，Doc2Vec输出的向量也会产生可用于增强的差异。

不建议使用的方法 #

• 语序调换：正如你提到的，Doc2Vec对词序敏感度极低，尤其是PV-DBOW模式本身就是忽略词序建模的，调换语序后得到的向量和原样本几乎完全一致，完全起不到增强效果。
• 随机字符增删/错拼：这类操作生成的异常词汇如果没有出现在Doc2Vec的训练词表中，会被当做未知词处理，输出的向量要么完全随机，要么和原词差异过大，很容易导致语义偏移、标签错误。
• 回译：这类方法生成的文本要么和原句用词高度重合，向量差异极小，要么容易改变核心语义，性价比极低。

实操建议 #

你当前的流水线为 text -> d2v -> binary classifier，增强后可以先抽样对比原样本和增强样本的Doc2Vec向量余弦相似度，控制在0.7-0.9区间效果最好：相似度过高等于无效果增强，相似度过低说明语义偏移严重，可能出现标签错误。

内容的提问来源于stack exchange，提问作者dendog