机器翻译的评价指标——bleu

一、什么是bleu

​ BLEU（Bilingual Evaluation Understudy）是一种用于自动评估机器翻译质量的指标。它最初由Kishore Papineni等人在2002年提出，旨在解决人工评估翻译质量的主观性和费时性问题。BLEU的工作原理是将机器生成的翻译与人工参考翻译进行比较，并根据它们之间的相似性分配一个分数。我们可以通过微软的nltk框架来使用bleu指标。

BLEU的计算方式如下：

1. 对于翻译结果（机器生成的翻译），它会计算参考翻译（目标值）之间的 n-gram（连续的 n 个词或字符序列）匹配度。

2. 对每个 n-gram 匹配，BLEU将其与候选翻译中的 n-gram 数量相比较，并采用一种修正的精确匹配度度量来计算得分。

3. 然后，BLEU将各个 n-gram 匹配的得分合并，通过计算几何平均值来得出最终的 BLEU 分数。通常，BLEU 的分数在0到1之间，表示翻译的质量，越接近1表示越好。

公式如下：
$$bleu=ex{p}^{\sum weight\ast logP}\ast 惩罚系数$$

二、什么是n-gram

​ 与其解释抽象的公式，不如来一段代码实战理解，请看下面这段代码。

from nltk.translate.bleu.score import sentence_bleu
reference = [['the','quick','brown','fox','jumped','over','the','lazy','dog']]
candidate = ['the','quick','brown','fox','jumped','over','the','lazy','dog']
score = sentence.bleu(reference, candidate)
print(score)
# out: 1.0

# 4-gram cumulative BLEU
candidate = ['the','fast','brown','fox','jumped','over','the','lazy','dog']
score = sentence_bleu(reference, candidate, weights=(0.25, 0.25, 0.25, 0.25))
print(score)
# out:0.75

# 手动计算
import numpy as np
score = np.exp(0.25 * (np.log(8/9) + np.log(6/8) + np.log(5/7) + np.log(4/6)))
print(score)
# out:0.75

• 过短惩罚系数，上例预测结果与目标结果长度一致，故为1。

  • 当预测结果比目标结果短时，过短惩罚系数就不为1了。

• 在实际中，参考句可能不止一句，所以reference是二维。

  • 实际上，只要reference比candidate多一个维度就可以，candidate未必是一维的。

• n-gram实际上就是连续n个词一样。

• weights是对每个gram赋予一个权重。

• 4-gram考查了1个，2个，3个，4个连续的词相同的情况。

• P是连续n个词相同的概率。

• bleu一定是一个0-1之间的值。

  • P是0-1之间，logP是负数，乘以weights仍然是负数。
  • e的负数次幂在0-1之间。
  • 过短惩罚系数是一个0-1之间的值。