机器翻译评测——BLEU改进后的NIST算法

　　◆版权声明：本文出自胖喵~的博客，转载必须注明出处。

　　转载请注明出处：http://www.cnblogs.com/by-dream/p/7765345.html 

　　上一节介绍了BLEU算的缺陷。NIST(National Institute of standards and Technology)方法是在BLEU方法上的一种改进。最主要的是引入了每个n-gram的信息量(information)的概念。BLEU算法只是单纯的将n-gram的数目加起来，而nist是在得到信息量累加起来再除以整个译文的n-gram片段数目。这样相当于对于一些出现少的重点的词权重就给的大了。

　　信息量的计算公式是：

　　解释一下：分母是n元词在参考译文中出现的次数，分子是对应的n-1元词在参考译文中的出现次数。对于一元词汇，分子的取值就是整个参考译文的长度。这里之所以这样算，应该是考虑到出现次数少的就是重点词这样的一个思路。

　　计算信息量之后，就可以对每一个共现n元词乘以它的信息量权重，再进行加权求平均得出最后的评分结果：　　

　　这里注意几个地方：

　　1、N一般取5

　　2、β是一个常数，在Lsys/Lref=2/3 时，β使得长度罚分率为0.5，它是个经验值，大概的曲线是：

　　3、Lref 是参考答案的平均长度（注意L的上方有一个平均符号）

　　4、Lsys是译文的长度

　　下面是我费劲千辛万苦找到了计算nist值的工具：

　　首先进入nist组织的官网：https://www.nist.gov/itl/iad/mig/tools

　　下载第三个，然后我们直接运行，发现因为找不到依赖的库，会出现报错：

　　Can't locate XML/Twig.pm in @INC (you may need to install the XML::Twig module)

 　　之前也不会perl，这个也折腾了好久。下载XML-Twig 。进入：http://search.cpan.org/~mirod/XML-Twig-3.48/Twig.pm

　　下载成功后，需要三步：

　　1、perl Makefile.PL -y ：这一步在下载下来的readme中有说明，参数还可以指定 -n。

　　2、make

　　3、make install：这一步需要root权限，否则会报错

　　没给root权限，报的错

　　我们再运行一下，没有再报错了

　　我们用nist提供的example试试，发现算法可以使用：

 我们看下其他的用法：

BLEU-4（mteval-v13a，官方OpenMT12评估指标）
　　调用行： perl mteval-v13a.pl -r REFERENCE_FILE -s SOURCE_FILE -t CANDIDATE_FILE -c -b
　　选项-c：区分大小写的得分
　　选项-b：仅BLEU得分
IBM BLEU（bleu-1.04a）
　　调用行： perl bleu-1.04.pl -r REFERENCE_FILE -t CANDIDATE_FILE
　　默认情况下，评分是区分大小写的
NIST（mteval-v13a）
　　调用行： perl mteval-v13a.pl -r REFERENCE_FILE -s SOURCE_FILE -t CANDIDATE_FILE -c -n
　　选项-c：区分大小写的得分
　　选项-n：仅NIST评分
TER（tercom-0.7.25）
　　调用行： java -jar tercom.7.25.jar -r REFERENCE_FILE -h CANDIDATE_FILE -N -s
　　选项-N：启用归一化
　　选项-s：区分大小写的得分
METEOR（气象0.7）
　　调用行： perl meteor.pl -s SYSTEM_ID -r REFERENCE_FILE -t CANDIDATE_FILE --modules "exact porter_stem wn_stem wn_synonymy"
　　选项--modules "exact porter_stem wn_stem wn_synonymy"：按照顺序使用所有四个METEOR匹配模块

　　这里我们可以看到除了提供nist算法外，还提供BLEU，于是我们用BLEU那篇文章中举例的那句话，我们看看值是否相等。

　　src.xml:

<?xml version="1.0" encoding="utf-8"?>
<!DOCTYPE mteval SYSTEM "ftp://jaguar.ncsl.nist.gov/mt/resources/mteval-xml-v1.3.dtd">
<mteval>
    <srcset setid="example_set" srclang="Arabic">
        <doc docid="doc1" genre="nw">
            <p>
                <seg id="1">下午去打篮球不？"</seg>
            </p>
        </doc>
    </srcset>
</mteval>

　　tst.xml:

<?xml version="1.0" encoding="utf-8"?>
<!DOCTYPE mteval SYSTEM "ftp://jaguar.ncsl.nist.gov/mt/resources/mteval-xml-v1.3.dtd">
<mteval>
    <tstset setid="example_set" srclang="Arabic" trglang="English" sysid="sample_system">
        <doc docid="doc1" genre="nw">
            <p>
                <seg id="1">Going to play basketball this afternoon ?</seg>
            </p>
        </doc>
    </tstset>
</mteval>

　　ref.xml:

<?xml version="1.0" encoding="utf-8"?>
<!DOCTYPE mteval SYSTEM "ftp://jaguar.ncsl.nist.gov/mt/resources/mteval-xml-v1.3.dtd">
<mteval>
    <refset setid="example_set" srclang="Arabic" trglang="English" refid="ref1">
        <doc docid="doc1" genre="nw">
            <p>
                <seg id="1">Going to play basketball in the afternoon ?</seg>
            </p>
        </doc>
    </refset>
</mteval>

　　运行命令：

　　得到的bleu值和我们之前计算的bleu值是一致的。成功~

　　然后我在后续计算的过程中，发现了nist脚本中的BLEU计算的时候，会把xml中的符号例如“左括号”他会转移为( 进行计算。而(就是左括号的标准转义字符，只不过这里计算的时候刚好给相反了，有点让人想不通。。

　　最后附上转换xml的脚本，因为之前BLEU计算的时候，不需要xml格式的，因此写了一个批量转化的脚本：

#!/usr/bin/python
#coding=utf8

import sys
import re
import codecs
import os
from xml.etree.ElementTree import ElementTree as etree
from xml.etree.ElementTree import Element, SubElement, ElementTree

reload(sys)
sys.setdefaultencoding( "utf-8" )


# 传入至少5个参数
# 生成译文的xml
# param 1: 要处理的是什么文件，只允许传入 "src","tst","ref"
# param 2：评测集名称
# param 3：源语言
# param 4：目标语言
# param 5..：要处理的文件

# 例如
# 生成原文 
# python genXML.py src tmq30 English Chinese tmq30.txt
# 生成译文
# python genXML.py tst tmq English Chinese baidu.txt Google.txt
# 生成ref 
# python genXML.py ref tmq English Chinese ref.txt ref2.txt 


'''
@ 生成ref的xml
@ param 1: 多份ref的list，list中每一个元素为一个ref的list
@ param 2：评测集名称
@ param 3：源语言
@ param 3：目标语言
'''
def genrefxml(reflists, setid, srclang, trglang):
    mteval = Element('mteval')
    for reflist in reflists:
        sysid = reflist[0]
        set = SubElement(mteval, "refset")
        set.attrib = {"setid":setid, "srclang":srclang, "trglang":trglang, "refid":sysid}
        doc = SubElement(set, "doc")
        doc.attrib = {"docid":"doc1"}
    
        i = 0
        for sentence in reflist:
            # 第一位存储具体是哪个引擎
            if i != 0:

                p = SubElement(doc, "p")
                seg = SubElement(p, "seg")
                seg.attrib = {"id":str(i)}
                seg.text = sentence
            i = i+1
    tree = ElementTree(mteval)
    tree.write(setid+'_ref.xml', encoding = 'utf-8')


'''
@ 生成译文的xml
@ param 1: 多份译文的list，list中每一个元素为一个译文的list
@ param 2：评测集名称
@ param 3：源语言
@ param 3：目标语言
'''
def gentstxml(tstlists, setid, srclang, trglang):
    mteval = Element('mteval')
    for tstlist in tstlists:
        sysid = tstlist[0]
        set = SubElement(mteval, "tstset")
        set.attrib = {"setid":setid, "srclang":srclang, "trglang":trglang, "sysid":sysid}
        doc = SubElement(set, "doc")
        doc.attrib = {"docid":"doc1"}
    
        i = 0
        for sentence in tstlist:
            # 第一位存储具体是哪个引擎
            if i != 0:

                p = SubElement(doc, "p")
                seg = SubElement(p, "seg")
                seg.attrib = {"id":str(i)}
                seg.text = sentence
            i = i+1
    tree = ElementTree(mteval)
    tree.write(setid+'_tst.xml', encoding = 'utf-8')


'''
@ 生成原文的xml
@ param 1: 原文内容的list
@ param 2：评测集名称
@ param 3：源语言
'''
def gensrcxml(senlist, setid, srclang):
    mteval = Element('mteval')
    set = SubElement(mteval, "srcset")
    set.attrib = {"setid":setid, "srclang":srclang}
    doc = SubElement(set, "doc")
    doc.attrib = {"docid":"doc1"}
    
    i = 1
    for sentence in senlist:
        p = SubElement(doc, "p")
        seg = SubElement(p, "seg")
        seg.attrib = {"id":str(i)}
        seg.text = sentence
        i = i+1
    tree = ElementTree(mteval)
    tree.write(setid+'_src.xml', encoding = 'utf-8')


# 调用具体的生成xml
def genxmltree(filetype, setid, srclang, trglang, files):
    if filetype not in ["src","tst","ref"]:
        print "filetype is error"
        return
    
    # 处理原文
    if filetype == "src":
        srclist = []
        for line in open(files[0]):
            line = line.strip()
            if line:
                srclist.append(line)
        gensrcxml(srclist, setid, srclang)

    # 处理译文
    if filetype == "tst":
        tstslist = []
        for tstfile in files:
            tstlist =[]
            tstlist.append(str(tstfile).strip('.txt'))
            for line in open(tstfile):
                line = line.strip()
                if line:
                    tstlist.append(line)
            tstslist.append(tstlist)
        gentstxml(tstslist, setid, srclang, trglang)

    # 处理ref
    if filetype == "ref":
        reflists = []
        for reffile in files:
            reflist =[]
            reflist.append(str(reffile).strip('.txt'))
            for line in open(reffile):
                line = line.strip()
                if line:
                    reflist.append(line)
            reflists.append(reflist)
        genrefxml(reflists, setid, srclang, trglang)


argv_len = len(sys.argv)
#print argv_len
if argv_len < 6:
    print "param error! src/ref tmq English Chinese 1.txt " 
    sys.exit()

filetype = sys.argv[1]
setid = sys.argv[2]
srclang = sys.argv[3]
trglang = sys.argv[4]
files = []
for i in range(5, len(sys.argv)):
    files.append(sys.argv[i])

genxmltree(filetype, setid, srclang, trglang, files)

 

文中nist算法参考论文《Automatic Evaluation of Machine Translation Quality Using N-gram Co-Occurrence Statistics 》