確實是平時做nlp最頭大的事情。幾點建議：

1. 資料增強

先說影象，影象有個優點，就是比較容易做資料增強，可以旋轉、裁剪、縮放、加噪聲、或者組合上述方法等等，然後迅速得到很多樣本，雖說這種擴充套件有限，但對模型學到魯棒的特徵應該是有幫助。回到nlp，如果參照上述做法，似乎也可以，不過畢竟文字降到一維了，所以也沒啥旋轉，不過可以加噪聲、縮放等等，只能做到讓模型更魯棒，但沒辦法學到更好的新的特徵。

2. 遷移

網路上肯定能找到與對應場景相關的語料，沒有就爬蟲。現在基於nlp的遷移學習文章挺多的，可以參考。這個展開可以單獨寫很多篇文章

3. 半監督

如果語料不缺，缺的是標註，可以這麼玩

4. 人造……人類的智慧是無窮的

用類似BERT的模型，只需少量資料就可達到很好的效果，因為它是基於預訓練模型(谷歌等用無監督方式訓練好的)+微調(用自己的少量標註資料)的模式，屬於遷移學習