چکیده: دقت دسته‌بندی متون در مواجهه با داده‌های نامتعادل کاهش می‌یابد. یکی از راهکارهای مؤثر برای حل این مشکل، بیش‌نمونه‌برداری از کلاس اقلیت است که هدف آن افزایش اندازه کلاس اقلیت برای ایجاد تعادل بین کلاس‌ها می‌باشد. با توجه به پیشرفت شبکه‌های مولد عمیق در تولید داده، می‌توان از این روش‌ها برای تولید نمونه‌های کلاس اقلیت استفاده کرد. مزیت استفاده از این روش‌ها در مسئله عدم تعادل این است که بر محدودیت‌های روش‌های متداول مانند بیش‌برازش غلبه می‌کند. هدف این پژوهش، افزایش کارایی دسته‌بندی متن در شرایط نامتعادل با استفاده از شبکه‌های مولد تخاصمی (GAN) است. به این منظور در این رساله دو روش پیشنهادی ارائه شده است. در روش پیشنهادی اول یک چارچوب برای یادگیری توزیع داده های متنی و انجام بیش نمونه برداری با هدف مقایسه عملکرد معماری های مختلف GAN در افزایش دقت دسته بندی متون نامتعادل ارائه گردید. در این بخش کیفیت و تنوع متون تولید شده ارزیابی و مقایسه شد و عملکرد دسته-بندی متناسب با این دو جنبه تحلیل شد. در نهایت تاثیر بیش نمونه برداری مبتنی بر GAN و روش های سنتی بر معیار های مختلف دسته بندی متون نامتعادل مورد بررسی قرار گرفت. نتایج نشان داد به طور کلی، متعادل‌سازی داده‌ها با استفاده از شبکه های GANدر افزایش کارایی دسته‌بندی داده‌های متنی نامتعادل مؤثر است و این روش‌ها در مجموع عملکرد بهتری نسبت به روش‌های سنتی بیش‌نمونه‌برداری نشان دادند. با این حال، تنوع و کیفیت متن‌های تولید شده بر عملکرد دسته‌بند در تمایز میان کلاس‌های مختلف تأثیرگذار است. در روش پیشنهادی دوم یک معماری GAN جدید ارائه شد به نحوی که داده هایی که برای بیش نمونه برداری تولید می کند منجر به بالا بردن کارایی دسته بندی متن می شود. ایده اصلی این روش فاصله گرفتن از فضای معنایی کلاس اکثریت است تا داده هایی تولید شوند که از کلاس اکثریت قابل تفکیک باشند. همچنین چارچوبی برای بررسی تاثیر روش پیشنهادی بر غنی سازی داده های تولید شده توسط مدل-های بزرگ زبانی به منظور بیش نمونه برداری ارائه گردید. پس از اعمال الگوریتم های دسته بندی، محاسبه معیار های ارزیابی و مقایسه با روش های بیش نمونه برداری موجود و روش های مبتنی بر مدل های بزرگ زبانی مشاهده شد روش پیشنهادی توانایی خوبی در بهبود کارایی دسته بندی متن دارد. همچنین ترکیب داده های تولید شده توسط روش پیشنهادی با داده های تولید شده توسط مدل های زبانی بزرگ به غنی سازی آن داده-ها کمک می کند و بر بهبود کارایی دسته بندی متن اثر می گذارد.