随着互联网的发展和文本挖掘技术的流行,经济学和金融学可以通过文本情感分类获取到有用的信息。文本情感分类是有监督学习,所以在情感分类任务中,深度学习模型的训练需要大量的有标签数据,否则深度学习模型容易过拟合。标注数据依靠人工,需要大量的时间和精力。为了减少标注数据的工作量,常常对文本进行规则变换来生成同质异构的数据,也就是数据增强。但数据增强生成的新文本也存在问题:由于传统的文本替换增强方法是随机选择词语替换,替换后的词语,可能在情感倾向方面与原文本的标签不一致,可能造成替换后整个新文本和原文本的标签在情感倾向方面不一致,替换后的新文本和原文本标签组合后再输入到模型进行训练,会阻碍模型学习文本与标签之间正确的联系。在文本情感分类的数据中,具有明显情感倾向的词语与文本的情感标签的相关性很大,而中性词与文本的情感标签的相关性很小。为了解决上述随机替换增强的随机性造成新文本和原文本情感标签不一致的问题,本文旨在通过情感标签与文本词语的相关性程度来选择相关性较小的文本词语进行替换增强,从而避免增强后的文本与标签的情感倾向不一致。主要工作有:（1）量化标签与文本词语的相关性程度。一是通过逻辑回归模型进行情感分类,得到的模型系数经过指数化表示相关性程度;二是通过Label Embedding模型进行情感分类,得到的attention score表示相关性程度。（2）在替换增强方法中,按照标签与文本词语的相关性程度选择相关性最小的前N（N是超参）个词语替换增强。本文称这种方法为加权替换增强方法。应用的替换增强方法有Mask替换增强、基于词林的近义词替换增强、基于近邻图的Embedding替换增强和Bert生成增强方法。本文使用NLPCC2014数据集、GitHub的网购数据对加权替换增强方法进行测试,实验结果显示本文提出的标签相关性选择机制能有效改进四种替换增强方法,在准确率和F1-Score上有所提升。