BLEU METEOR ROUGE CIDEr 详解和实现

一、指标概述　

这四种指标都是机器翻译的自动评价指标，对于一些生成式文本任务，也是使用这几种评价指标。

二、Bleu原理详解　

BLEU是IBM于2002年提出的。我们假定人工给出的译文为reference，机器翻译的译文为candidate。

1.最早的BLEU算法

最早的BLEU算法是直接统计cadinate中的单词有多少个出现在reference中，具体的式子是：

　　　　$BLEU=frac{出现在reference中的candinate的单词的个数}{cadinate中单词的总数}$

　　　　以下面例子为例：

　　　　candinate:the the the the the the the

　　　　reference:the cat is on the mat

　　　　cadinate中所有的单词都在reference中出现过，因此：

　　　　$BLEU=frac{7}{7}=1$

对上面的结果显然是不合理的，而且主要是分子的统计不合理，因此对上面式子中的分子进行了改进。

2.改进的BLEU算法

　　　　针对上面不合理的结果，对分子的计算进行了改进，具体的公式变为如下：

　　　　$BLEU=frac{Count^{clip}_{w_i}}{cadinate中单词的总数}$

　　　　$Count^{clip}_{w_i}=min(Count_{w_i},Ref-Count_{w_i})$

　　　　上面式子中：

　　　　$Count_{w_i}$ 表示单词$w_i$在candinate中出现的次数；

　　　　$Ref-Count_{w_i}$ 表示单词$w_i$在reference中出现的次数；

　　　　但一般情况下reference可能会有多个j句子，因此有：

　　　　$Count^{clip}=max(Count^{clip}_{w_i,j}),j=1,2,3......$

　　　　上面式子中：j表示第j个reference。

　　　　仍然以上面的例子为例，在candinate中只有一个单词the，因此只要计算一个$Count^{clip}$，the在reference中只出现了两次，因此：

　　　　$BLEU=frac{2}{7}$

3.引入n-gram

在上面我们一直都是对于单个单词进行计算，单个单词可以看作时1−gram，1−gram可以描述翻译的充分性，即逐字翻译的能力，但不能关注翻译的流畅性，因此引入了n−gram，在这里一般n不大于4。引入n−gram后的表达式如下：

　　　 $p_n=frac{sum_{cin candidates}sum_{n-gramin c}Count_{clip}(n-gram)}{sum_{{c}'in candidates}sum_{{n-gram}'in {c}'}Count({n-gram}')}$

　　　　很多时候在评价一个系统时会用多条candinate来评价，因此上面式子中引入了一个候选集合candinates。$p_n$中的n表示n-gram，$p_n$表示n-gram的精度，即1−gram时，n=1。

　　　　接下来简单的理解下上面的式子，首先来看分子：

　　　　1）第一个$sum$描述的是各个candinate的总和，就是有多个句子

　　　　2）第二个$sum$描述的是一条candinate中所有的n−gram的总和，就是一个句子的n-gram的个数

　　　　3）$Count_{clip}(n-gram)$表示某一个n−gram词的截断计数；

　　　　再来看分母，前两个$sum$和分子中的含义一样，Count({n-gram}')表示n−gram′在candinate中的计数。

　　　　再进一步来看，实际上分母就是candinate中n−gram的个数，分子是出现在reference中的candinate中n−gram的个数。

　　　　举一个例子来看看实际的计算：

　　　　candinate: the cat sat on the mat

　　　　reference:the cat is on the mat

　　　　计算n−gram的精度：

　　　　$p1=frac{5}{6}=0.83333$

　　　　$p2=frac{3}{5}=0.6$

　　　　$p3=frac{1}{4}=0.25$

　　　　$p4=frac{0}{3}=0$

4.添加对句子长度的乘法因子　　　　

在翻译时，若出现译文很短的句子时往往会有较高的BLEU值，因此引入对句子长度的乘法因子，其表达式如下：

　　在这里c表示cadinate的长度，r表示reference的长度。

　　将上面的整合在一起，得到最终的表达式：

　　$BLEU=BPexp(sum^N_{n=1}w_n logp_n)$

　　其中$exp(sum^N_{n=1}w_n logp_n)$表示不同的n−gram的精度的对数的加权和。

三、具体实现

github下载链接：https://github.com/Maluuba/nlg-eval

将下载的文件放到工程目录，而后使用如下代码计算结果

具体的写作格式如下：

from nlgeval import NLGEval
nlgeval=NLGEval()
#对应的模型生成的句子有三句话，每句话的的标准有两句话
hyp=['this is the model generated sentence1 which seems good enough','this is sentence2 which has been generated by your model','this is sentence3 which has been generated by your model']
ref1=['this is one reference sentence for sentence1','this is a reference sentence for sentence2 which was generated by your model','this is a reference sentence for sentence3 which was generated by your model']
ref2=['this is one more reference sentence for sentence1','this is the second reference sentence for sentence2','this is a reference sentence for sentence3 which was generated by your model']
lis=[ref1,ref2]
ans=nlgeval.compute_metrics(hyp_list=hyp,ref_list=lis)
# res=compute_metrics(hypothesis='nlg-eval-master/examples/hyp.txt',
#                    references=['nlg-eval-master/examples/ref1.txt','nlg-eval-master/examples/ref2.txt'])
print(ans)

输出结果如下：

{'Bleu_2': 0.5079613089004589, 'Bleu_3': 0.35035098185199764, 'Bleu_1': 0.6333333333122222, 'Bleu_4': 0.25297649984340986, 'ROUGE_L': 0.5746244363308142, 'CIDEr': 1.496565428735557, 'METEOR': 0.3311277692098822}

参考链接：https://www.cnblogs.com/jiangxinyang/p/10523585.html