NLG任务评价指标BLEU与ROUGE

    

      准确率、精确率、召回率和F1是在机器学习及NLP领域中常用的指标，但是如果没有涉及机器翻译、摘要抽取等seq2seq任务，一般不会使用BLEU和ROUGE作为评价指标，本文将会着重介绍两个指标基本意义及计算方法，为使用者提供参考。

BLEU

英文全称Bilingual evaluation understudy，这是一个从机器翻译任务中衍生出来的评价翻译质量的指标，可以称为双语互译质量评估。当然现在这个指标也已经被推广到其他序列到序列任务，用作评价生成后序列的质量。

BLEU通过分析输出句子与参考句子的N元组共现的程度，度量输出句子结果的精准度。BLEU的分数取值范围是 0-1，分数越接近1，说明生成句子的质量越高。

计算公式：

BLEU需要计算输出句子1-gram，2-gram，...，N-gram的精确率，一般 N 设置为4即可，公式中的Pn指n-gram的精确率。Wn指n-gram的权重，一般设为均匀权重，即对于任意n都有 Wn = 1/N。

BP是惩罚因子，如果输出句子的长度小于最短的参考句子，则BP小于 1。

BLEU的1-gram精确率表示输出句子忠于原文的程度，而其他n-gram表示输出句子的流畅程度。

ROUGE

英文全称Recall-Oriented Understudy for Gisting Evaluation，通过计算输出句子与参考句子的N元组共现的概率，度量输出句子结果的召回率。

ROUGE-N: 在N-gram上计算召回率

计算公式：

分母是参考句子中n-gram的个数，分子是参考句子和输出句子共现（重合）的n-gram的个数。

ROUGE-L: 考虑了输出句子和参考句子之间的最长公共子序列

计算公式：

其中 LCS(X,Y)是 X和Y的最长公共子序列的长度，m,n分别表示参考句子和输出句子的长度（一般就是所含词的个数）。公式中的RLCS表示召回率，而PLCS表示精确率，FLCS就是ROUGE-L。一般beta会设置为很大的数，因此FLCS几乎只考虑了RLCS(即召回率)。注意这里beta大，则F会更加关注R，而不是P，可以看下面的公式。如果beta很大，则PLCS那一项可以忽略不计。

ROUGE-W:改进了ROUGE-L，用加权的方法计算最长公共子序列连续匹配的效果，不做详细介绍。

推荐阅读

AINLP年度阅读收藏清单

薅当当羊毛的机会又！双！！叒！！！叕!!!来了

中文命名实体识别工具（NER）哪家强？

学自然语言处理，其实更应该学好英语

斯坦福大学NLP组Python深度学习自然语言处理工具Stanza试用

太赞了！Springer面向公众开放电子书籍，附65本数学、编程、机器学习、深度学习、数据挖掘、数据科学等书籍链接及打包下载

数学之美中盛赞的 Michael Collins 教授，他的NLP课程要不要收藏？

自动作诗机&藏头诗生成器：五言、七言、绝句、律诗全了

模型压缩实践系列之——bert-of-theseus，一个非常亲民的bert压缩方法

这门斯坦福大学自然语言处理经典入门课，我放到B站了

征稿启示 | 稿费+GPU算力+星球嘉宾一个都不少

关于AINLP

AINLP 是一个有趣有AI的自然语言处理社区，专注于 AI、NLP、机器学习、深度学习、推荐算法等相关技术的分享，主题包括文本摘要、智能问答、聊天机器人、机器翻译、自动生成、知识图谱、预训练模型、推荐系统、计算广告、招聘信息、求职经验分享等，欢迎关注！加技术交流群请添加AINLPer(id：ainlper)，备注工作/研究方向+加群目的。