【文本生成评价指标】 BLEU原理及代码示例py

【文本生成评价指标】 ROUGE原理及代码示例py
【文本生成评价指标】 METEOR原理及代码示例py
【文本生成评价指标】 DISTINCT原理及代码示例py
【文本生成评价指标】文本生成客观评价指标总结py

1. BLEU原理

Bleu (Bilingual Evaluation Understudy) 是衡量一个有多个正确输出结果的模型的精确度的评估指标。比较候选译文和参考译文里的 n-gram 的重合程度。多用于翻译质量评估。

Bleu 可以说是所有评价指标的鼻祖，它的核心思想是比较候选译文和参考译文里的 n-gram 的重合程度，重合程度越高就认为译文质量越高。unigram用于衡量单词翻译的准确性，高阶n-gram用于衡量句子翻译的流畅性。 实践中，通常是取N=1~4，然后对进行加权平均。

2. 代码实现

权重被指定为一个数组，其中每个索引对应相应次序的n元组。
以1-gram匹配的BLEU分数为例，individual_bleu(reference, candidate) 指定1-gram权重为1，对于2元、3元和4元指定权重为0，也就是权重为（1,0,0,0）。

from nltk.translate.bleu_score import sentence_bleu

def individual_bleu(reference, candidate):
    
    bleu_1_gram = sentence_bleu(reference, candidate, weights=(1, 0, 0, 0))
    bleu_2_gram = sentence_bleu(reference, candidate, weights=(0, 1, 0, 0))
    bleu_3_gram = sentence_bleu(reference, candidate, weights=(0, 0, 1, 0))
    bleu_4_gram = sentence_bleu(reference, candidate, weights=(0, 0, 0, 1))

    # print('bleu 1-gram: %f' % bleu_1_gram)
    # print('bleu 2-gram: %f' % bleu_2_gram)
    # print('bleu 3-gram: %f' % bleu_3_gram)
    # print('bleu 4-gram: %f' % bleu_4_gram)

    return bleu_1_gram, bleu_2_gram, bleu_3_gram, bleu_4_gram

虽然我们可以计算出单独的BLEU分数，但这并不是使用这个方法的初衷，而且得出的分数也没有过多的含义，或者看起来具有说明性。

累加分数是指对从1到n的所有单独n-gram分数的计算，通过计算加权几何平均值来对它们进行加权计算。以BLEU-4分数计算为例，cumulative_bleu(reference, candidate) 计算的是累加的4元组BLEU分数，BLEU-4对1元组，2元组，3元组和4元组分数的权重为1/4（25％）或0.25。

from nltk.translate.bleu_score import sentence_bleu
def cumulative_bleu(reference, candidate):

    bleu_1_gram = sentence_bleu(reference, candidate, weights=(1, 0, 0, 0))
    bleu_2_gram = sentence_bleu(reference, candidate, weights=(0.5, 0.5, 0, 0))
    bleu_3_gram = sentence_bleu(reference, candidate, weights=(0.33, 0.33, 0.33, 0))
    bleu_4_gram = sentence_bleu(reference, candidate, weights=(0.25, 0.25, 0.25, 0.25))

    # print('bleu 1-gram: %f' % bleu_1_gram)
    # print('bleu 2-gram: %f' % bleu_2_gram)
    # print('bleu 3-gram: %f' % bleu_3_gram)
    # print('bleu 4-gram: %f' % bleu_4_gram)

    return bleu_1_gram, bleu_2_gram, bleu_3_gram, bleu_4_gram

这段代码使用 Python 的 Natural Language Toolkit（nltk）库中的 sentence_bleu 函数来计算生成文本和参考文本之间的 Bleu 指标。

首先，代码导入 nltk 库，并定义一个包含生成文本的字符串 generated_text 和一个包含参考文本的字符串列表 reference_texts。接下来，代码使用 sentence_bleu 函数计算生成文本和参考文本之间的 Bleu 指标，并将结果存储在变量 bleu 中。最后，代码输出一个消息，显示计算出的 Bleu 指标。

3. 代码测试

# 生成文本
generated_text = "This is some generated text."

# 参考文本列表
reference_texts = ["This is a reference text.", "This is another reference text."]

# 计算 Bleu 指标
i_bleu = individual_bleu(reference_texts, generated_text)
c_bleu = cumulative_bleu(reference_texts, generated_text)

# 打印结果
print("The Bleu score is:", i_bleu)
print("The Bleu score is:", c_bleu)

参考链接：BLEU原理及代码示例