TDA-GLM：基于小模型引导 ChatGLM 的水产养殖疾病防控文本数据增强研究 —— 为产业发展筑牢数据根基

为解决水产养殖疾病防控领域文本数据稀缺、质量参差不齐，直接用大语言模型（LLMs）进行数据增强效果不佳的问题，研究人员开展了 TDA-GLM 小样本数据增强框架的研究。结果显示，该模型在关键指标和样本质量上表现优异，对行业发展意义重大。

　　疾病防控对于水产养殖业的健康发展至关重要，高质量的数据是实现智能化疾病管理的基础。然而，该领域的文本数据匮乏且质量不一。直接使用大语言模型（LLMs）进行数据增强往往会产生低质量的输出。在本文中，提出了一种名为 TDA-GLM 的小样本数据增强框架。该框架采用了高质量语料库、预训练大模型和高效提示相结合的策略，通过整合高质量语料库和优化提示技术来改进数据增强。为解决 LLMs 在水产养殖疾病防控中适应性差导致数据增强质量低的问题，引入了监督学习模型。该模型引导对领域知识的理解，并在 LLM 内优化数据增强任务，使得生成的数据既与原始专业材料高度相似，又内容丰富。此外，设计了一个噪声去除模块，通过分析增强数据与数据增强目标之间的一致性来过滤噪声，从而提高增强数据的整体质量。为验证数据增强方法在该领域的可靠性，进行了少样本学习分类任务实验。结果表明，该模型相较于现有的先进文本数据增强技术有显著提升，关键性能指标 Acc、P、R 和 F₁分别达到 94.86%、95.55%、94.86% 和 94.62%。在评估增强样本质量的实验中，相似度和丰富度分别达到 94.95% 和 64.41%。这些结果表明，增强样本质量极高，既能保留原始数据的核心语义，又能通过适当变化增加数据多样性。