Bert是一种预训练的自然语言处理模型，可以用于多种任务，包括文本分类。为了解决Bert仅针对正标签进行训练的问题，我们可以利用不均衡数据集的技术来增强数据集中的负标签样本，以便Bert可以学习到更多有关负标签的信息。

具体来说，可以使用过采样或欠采样方法来增加或减少负标签样本。例如，可以使用Imbalanced-learn库中的RandomOverSampler或RandomUnderSampler函数来进行样本增强。下面是一个使用RandomOverSampler进行过采样的示例代码：

from imblearn.over_sampling import RandomOverSampler

# 假设X_train和y_train是原始训练数据的特征和标签
oversample = RandomOverSampler(sampling_strategy='minority')
X_train_res, y_train_res = oversample.fit_resample(X_train, y_train)

在上面的代码中，指定了参数"sampling_strategy='minority'"，以便只过采样少数类(即负标签)的样本。通过运行上面的代码，可以生成一个新的增强数据集X_train_res和y_train_res，其中包含平衡的正和负标签样本。

在有了增强数据集之后，我们可以使用它来重新训练Bert模型，以便模型可以学习到更多关于负标签的信息。