[机器翻译]—BLEU值的计算

前言

最近还卡在复现工作的结果这一环节上。具体来说，我使用那篇工作提供的脚本，使用的是fairseq-generate来完成的结果的评估。然后我发现我得到的结果和论文中的结果完全不一致。
首先，在预处理阶段，如记一次多语言机器翻译模型的训练所示，我是用moses的tokenizer完成的tokenize，然后又使用moses的lowercase完成的小写化，最后用subword-nmt bpelearn和apply的子词。当然，一方面，小写化不利于模型性能的比较（来自师兄）；另一方面，可以使用sentencepiece这一工具来直接学bpe，而不需要做额外的tokenize，但本文暂不考虑。

别人是怎么做的？

这部分内容主要参考：Computing and reporting BLEU scores

考虑以下情况：机器翻译的训练和测试数据，都经过tokenize和truecased的预处理，以及bpe的分词。而在后处理阶段，在保证正确答案（ref）和模型输出（hyp）经过相同的后处理操作的情况下，不同的操作带来的BLEU值是很不同的。如下图所示：

主要有以下发现：

1. 【行1vs行2】在bpe级别计算的BLEU值偏高。解释：行1没有采取任何后处理，也就是说，hyp和ref都是tokenized、truecased的bpe子词。此时，由于粒度更细，原本word级别是错误的输出，分成更细粒度的子词，可能就产生“正确”的结果了。
2. 【行3vs行4】如果不使用sacreBLEU提供的standard tokenization，结果BLEU值偏高。解释：行3没有做detokenize，同时，把sacreBLEU中的standard tokenization也ban掉了；而行4先做了detokenize（行4中的tokenization要理解为detokenize），然后使用了sacreBLEU中的standard tokenization（默认应该是13a tokenizier）。一般来说，行3被称为tokenized BLEU（wrong），行4被称为detokenized BLEU（right）。但是我不知道这两个为什么差别这么大。
3. 【行5】如果不考虑大小写，也就是完全小写，BLEU值偏高。
4. 【行6】这一类应该也算是tokenized BLEU，也就是说，它先做了detokenize，只不过在计算BLEU时，又要进行tokenize的时候，使用的是其它第三方的tokenizer而不是sacreBLEU中的tokenizer，这种做法对最终的结果也有影响。

总结：

• 用SacreBLEU！
• 在计算BLEU之前，要做好完全的post-preprocess（undo BPE\truecase\detokenize等等）！

我的错误

经过上一部分，可以看到，我的预处理步骤的问题并不大（虽然小写会导致结果偏高），我的问题主要出在，在运行fairseq-generate时，我没有提供bpe\bpe-codes\tokenizer\scoring\post-process参数，也就是说，我没有做任何的post-process。其中，各参数的功能如下：

• bpe：通过bpe.decode(x)语句来做undo bpe。以bpe=subword_nmt为例，做的就是：(x + " ").replace(self.bpe_symbol, "").rstrip()，其中self.bpe_symbol=@@
• tokenizer：通过tokenizer.decode(x)语句来做detokenize。以tokenzier=moses为例，做的就是：MosesDetokenizer.detokenize(inp.split())
• scoring：通过scorer = scoring.build_scorer(cfg.scoring, tgt_dict)语句来建立计算BLEU的对象。如果scoring=‘bleu’（默认），则具体计算的语句为scorer.add(target_tokens, hypo_tokens)，其中，target\hypo_tokens是经过一些预处理（可能经过了undo bpe和detokenize，也有可能什么也没做：只是用" "这个分隔符把sentence中所有的tokenized bpe子词连成了一串字符串），得到target\hypo_str之后，再做fairseq提供的简单的tokenize（fairseq/fairseq/tokenizer.py），然后计算BLEU值。而如果scoring=‘sacrebleu’，则具体计算的语句为scorer.add_string(target_str, detok_hypo_str)，在这种情况下，如果我们做好了应该做的post-process，target_str就是纯纯的原文本，detok_hypo_str也如此。而在计算BLEU值时，我们又是用的sacrebleu的standard tokenization，可比性会高很多。
• post-process：这个参数和bpe参数重复

（可能）正确做法

CUDA_VISIBLE_DEVICES=5 fairseq-generate ../../data/iwslt14/data-bin   --path checkpoints/iwslt14/baseline/evaluate_bleu/checkpoint_best.pt   --task translation_multi_simple_epoch   --source-lang ar   --target-lang en   --encoder-langtok "src"   --decoder-langtok   --bpe subword_nmt   --tokenizer moses   --scoring sacrebleu   --bpe-codes /home/syxu/data/iwslt14/code   --lang-pairs "ar-en,de-en,en-ar,en-de,en-es,en-fa,en-he,en-it,en-nl,en-pl,es-en,fa-en,he-en,it-en,nl-en,pl-en" --quiet

主要就是提供了bpe\bpe-codes\tokenizer\scoring，这四个参数。结果如下。

TBC

另外，也可以不看fairseq-generate提供的BLEU结果，而是利用它生成的hyp.txt和ref.txt文件，然后用sacrebleu工具来计算分数。

TBC

尚存疑问

• 为什么tokenized\detokenized BLEU差别那么大？----> 师兄说，可能有一些语种，如拉丁字母构成的，这种情况下，tokenized BLEU意味着，使用拉丁字母特有的分词器来进行分词，可能会把文本全部分成字符。
• fairseq-generate的–sacrebleu有什么用？---->好像没屌用。

参考资料

TBC