详解BLEU的原理和计算

机器翻译指标或者image caption指标BLEU的原理和计算

参考：

《BLEU: a Method for Automatic Evaluation of Machine Translation》

计算方法(The Baseline BLEU Metric)：

1、precision measure

为了计算精度，只需计算任何参考翻译中出现的候选翻译词（unigrams）的数量，然后除以候选翻译中的总词数。

2、Modified n-gram precision

先对原理总介绍，然后2.1-2.3分别介绍Modified n-gram precision在三种场景下的应用。

首先计算一个单词在任何单个参考翻译中出现的最大次数。 接下来，将每个候选词的总计数除以其最大参考计数，将这些截断的计数相加，然后除以候选词的总数（未截断）。

注：n-gram指的是将n个词作为一个整体，1-gram指的是一个词，2-gram指的是两个连起来的词。对应的matrix就是BLEU-n。BLEU-1更注重单个词的出现，BLEU-4更注重句子的流畅性。

总结：首先提出一种基本的计算方法，然后对其进行优化。优化的思路很重要（举极限的反例来证明）：使用1的方法有一个问题，会导致机器翻译系统可能会过度生成“合理”的单词，导致翻译结果很差但精度很高，例如下面的示例2.1：如果使用1的方法计算：BLEU-1 = 7/7。使用2的方法计算：BLEU-1 = 2/7。显然candidate是很差的，使用2的计算结果更合理。

'''
示例2.1：
Candidate: the the the the the the the.
Reference 1: The cat is on the mat.
Reference 2: There is a cat on the mat.
'''

2.1.1 Modified n-gram precision on blocks of text（解决一个句子翻译生成多个candidate sentence的情况怎么计算）

我们如何在多句子测试集上计算修改后的 n-gram 精度？ 尽管通常在整个文档的语料库上评估 MT 系统，但我们的基本评估单位是句子。 一个源句可能会翻译成许多目标句，在这种情况下，我们会滥用术语，将相应的目标句称为“句子”。 我们首先逐句计算 n-gram 匹配。 接下来，我们将所有候选句子的裁剪 n-gram 计数相加，然后除以测试语料库中候选 n-gram 的数量，以计算整个测试语料库的修正精度分数 。

注：BLEU 只需要在对测试语料库进行平均时匹配人类判断； 单个句子的分数通常与人类的判断不同。 例如，如果所有参考文献碰巧读作“东亚经济”，则产生流利短语“东亚经济”的系统会因较长的 n-gram 精度而受到严重惩罚。 BLEU 成功的关键在于所有系统都被同等对待，并且使用了多个风格不同的人工翻译，因此这种效果在系统之间的比较中被抵消了。

2.1.2 Ranking systems using only modified n-gram precision（使用不同水平的翻译系统和人的翻译结果等级，从而证明BLEU的可行性）

为了验证修改后的 n-gram 精度区分非常好的翻译和差的翻译，通过计算一个（好）人工翻译和一个标准（差）机器翻译系统输出的修改后精度数，每个 127 个参考翻译使用 4 个参考翻译源语句。平均精度结果如图 1 所示。 区分人（高精度）和机器（低精度）的区分度很强。随着我们从 unigram 精度到 4-gram 精度，差异变得更大。似乎任何单个 n-gram 精度分数都可以区分好翻译和坏翻译。

然而，该指标还必须可靠地区分质量差异不大的翻译。此外，它必须区分两种不同质量的人工翻译。随着机器翻译接近人工翻译质量，后一项要求确保了指标的持续有效性。为此，我们获得了一个对源语言（中文）和目标语言（英语）都缺乏母语能力的人的人工翻译。为了比较，我们获得了以英语为母语的人对相同文档的人工翻译。我们还获得了三个商业系统的机器翻译。这五个“系统”——两个人和三个机器——根据两个参考专业人工翻译进行评分。平均修改后的 n-gram 精度结果如图 2 所示。 排名：H2（Human-2）优于H1（Human1），H1和S3（Machine/System-3）质量有较大下降。 S3 看起来比 S2 好，而 S2 又比 S1 好。值得注意的是，这与人类法官分配给这些“系统”的等级顺序相同，我们稍后会讨论。虽然在任何单个 n-gram 精度中似乎都有足够的信号，但将所有这些信号组合成单个数字度量会更加稳健。

2.1.3 Combining the modified n-gram precisions（解决到底使用n-gram的n取多少最合适的问题）

我们应该如何结合各种 n-gram 大小的修改精度？ 修正后精度的加权线性平均值为 5 个系统带来了令人鼓舞的结果。 然而，如图 2所示，修改后的 n-gram 精度大致随 n 呈指数衰减：修改后的 unigram 精度远大于修改后的 bigram 精度，而修改后的 bigram 精度又远大于修改后的 trigram 精度。 一个合理的平均方案必须考虑到这种指数衰减； 修正精度的对数的加权平均值满足了这一要求。 BLEU 使用具有统一权重的平均对数，这相当于使用修改后的 n-gram 精度的几何平均值。虽然3和5也取得不错的效果大门时，在经验上使用最大 n-gram 阶数 4 获得与单语言（母语）人类判断的最佳相关性。

2.2 BLEU指标限制翻译的句子长度

评估指标应该强制候选翻译既不能太长也不能太短。 在某种程度上，n-gram 精度已经做到了这一点。 N-gram 精度会惩罚未出现在任何参考翻译中的候选词中的虚假词（避免过长）。 此外，如果一个词在候选翻译中出现的频率高于其最大引用计数，则修改后的精度会受到惩罚。 这会奖励使用一个词的次数，并惩罚使用一个词的次数超过它在任何参考文献中出现的次数。 但是，仅修改后的 n-gram 精度无法强制执行适当的翻译长度，如下面的简短而荒谬的示例所示。

'''
Reference 1: It is a guide to action that ensures that the military will forever heed Party commands. Reference 2: It is the guiding principle which guarantees the military forces always being under the command of the Party. 

Reference 3: It is the practical guide for the army always to heed the directions of the party.
'''

2.3计算细节：

我们取测试语料库修正精度分数的几何平均值，然后将结果乘以指数简洁惩罚因子。 目前，大小写折叠是在计算精度之前执行的唯一文本规范化。 我们首先计算修改后的 n-gram 精度的几何平均值 pn，使用长度为 N 的 n-gram 和正权重 wn 总和为 1。 接下来，设 c 为候选翻译的长度，r 为有效参考语料库长度。 我们计算简洁惩罚 BP: