个人随笔|关于BLEU值计算的学习笔记 BLEU|机器翻译

博主最近在做机器翻译相关的工作，需要用到BLEU作为翻译结果的评价指标。
这里对概念及计算方法不多做介绍，只记录一些个人对不同的库计算bleu值过程的粗浅的理解。
NLTK 首先是nltk.translate.bleu_score，其中包含了sentence_bleu和corpus_bleu，其中sentence_bleu也是通过调用corpus_bleu来实现的。

文章图片

其中reference是参考句，即答案，形如[ref1,ref2,ref3,...]（可能存在多个参考句），其中ref1形如['This','is','a','test']；hypothesis是模型翻译句子，形如['This','is','a','test']。
smoothing_function是平滑函数，由于bleu是几何平均，如果某些gram计算匹配数量为0，则bleu值应该为0，通过平滑函数，可以让最后的结果不是0。默认smoothing_function为None，也就是不进行平滑处理，对于参考句"It is a good idea"和翻译句子“It is a idea"，由于4-gram匹配数为0，如果考虑4-gram，那么BLEU值为0。

文章图片

其中reference是参考句，即答案，形如[ref1,ref2,ref3...]，ref1和ref2是不同句子的参考句列表，其中ref1形如[ref11,ref12,ref13,...]，ref11形如['This','is','a','test']，ref11和ref12是同一个句子的不同参考句；hypothesis是模型翻译句子，形如[hyp1,hyp2,...]。
corpus_bleu的计算过程是，对于每组数据，计算出相应的Pi和Ni，其中Pi是i-gram匹配的数量，Ni是翻译句子i-gram的总数，将所有数据的i-gram的Pi和Ni分别累加，得到最终的Pi和Ni；根据每组数据的翻译句子的长度，找到最接近的参考句子的长度，同样分别累加，作为最终的翻译句子和参考句子的长度，计算BP；weights是函数参数。然后通过smoothing_function对Pi为0的进行平滑处理（但是默认是不进行平滑处理的），根据Pi和Ni计算得到pi（并且由于之后需要经过math.log(），如果Pi为0，这里会给pi赋值系统的最小浮点数）。最后再根据weights、pi和BP计算BLEU值，由于pi的计算原因，当某个Pi为0时，最后的bleu值可能是一个极小的浮点数，而不是0。
multi-bleu.perl multi-bleu.perl是一个perl脚本，因为不懂perl，只是大致看了一下内容。
感觉脚本实现的过程与nltk中的corpus_bleu类似，不过脚本是固定的1-gram到4-gram的几何平均，wn是1/4，并且没有使用平滑。
并且，对于Pi为0的情况，multi-bleu通过实现my_log计算，如果Pi为0则返回-99999999类似的数作为pi，从而使得最后的结果接近0。（下同）
据说很多机器翻译项目都是用这个脚本的结果作为评估依据，例如Facebook的XLM，直接调用该脚本进行评估。
脚本的命令行输入为，perl multi-bleu.perl ref.txt [ref2.txt ...]< pre.txt
其中可以有多个ref参考文件。
不过下面是脚本中的提示，建议使用mteval-v14.pl而不是multi-bleu.perl，因为tokenizer不同，multi-bleu.perl的分数可能不同，而mteval-v14.pl中实现了标准化的tokenizer。

"It is not advisable to publish scores from multi-bleu.perl. The scores depend on your tokenizer, which is unlikely to be reproducible from your paper or consistent across research groups. Instead you should detokenize then use mteval-v14.pl, which has a standard tokenization. Scores from multi-bleu.perl can still be used for internal purposes when you have a consistent tokenizer.\n";

sacrebleu 如果说multi-bleu.perl还能勉强看懂，mteval-v13.pl是真的看的难受，因此就跳过了，主要看了一下据说可以得到和mteval-v13.pl一样结果的python实现的sacrebleu。

文章图片

下面是sacrebleu中corpus_bleu的一个例子。

import sacrebleu refs = [['The dog bit the man.', 'It was not unexpected.', 'The man bit him first.'], ['The dog had bit the man.', 'No one was surprised.', 'The man had bitten the dog.']] sys = ['The dog bit the man.', "It wasn't surprising.", 'The man had just bitten him.'] bleu = sacrebleu.corpus_bleu(sys, refs) print(bleu.score)

顺着corpus_bleu，我找到了corpus_score，真正的计算过程是在这里进行的。
经过查看，我发现corpus_score和nltk的corpus_bleu的计算其实差不多，不同的是对匹配的n-gram数为0时的处理。
对于sacrebleu中corpus_bleu，smooth_method默认为'exp'，和mteval-v13.pl中的平滑方法是一样的，如果将smooth_method设置为"none"，则又和multi-bleu.perl一样。而nltk中，与'exp'对应的平滑函数是Smoothing_Function().method3。
总结 corpus_bleu的计算方法，和我最先以为的，计算出每组数据的bleu值，再根据数据条数取平均是不一样的。
【个人随笔|关于BLEU值计算的学习笔记】这二者有何优劣我目前还没想清楚，如果读者朋友有所了解，也希望能够不吝赐教。