当进行一定程度的微调后，要评价模型输出的语句的准确性。由于衡量的对象是一个个的自然语言文本，所以通常会选择自然语言处理领域的相关评价指标。这些指标原先都是用来度量机器翻译结果质量的，并且被证明可以很好的反映待评测语句的准确性，主要包含4种：BLEU，METEOR，ROUGE，CIDEr。
本文只介绍BLEU，ROUGE两个指标，其他待补充。

1、BLEU

• BLEU(Bilingual Evaluation understudy，双语互译质量评估)是一种流行的机器翻译评价指标，一种基于精确度的相似度量方法，用于分析候选译文中有多少 n 元词组出现在参考译文中（就是在判断两个句子的相似程度）
• BLEU有许多变种，根据n-gram可以划分成多种评价指标，常见的评价指标有BLEU-1、BLEU-2、BLEU-3、BLEU-4四种，其中n-gram指的是连续的单词个数为 n，BLEU-1衡量的是单词级别的准确性，更高阶的BLEU可以衡量句子的流畅性。

假设，$c_i$表示候选译文【也就是机器译文(candidate)】，该候选译文对应的一组参考译文【也就是人工译文(reference)】可以表示为 S i = { s i 1 , s i 2 , … , s i m } \mathrm{S_{i}=\{s_{i1},s_{i2},\ldots,s_{im}\}} Si​={si1​,si2​,…,sim​}；将候选译文$c_i$中所有相邻的 n 个单词提取出来组成一个集合 $n-gram$，一般取$n=1,2,3,4$；用${\omega }_k$表示$n-gram$中的第 $k$ 个词组，$h_k(c_i)$表示第k个词组${\omega }_k$在候选译文$c_i$中出现的次数，$h_k(s_{ij})$表示第 $k$ 个词组 ${\omega }_k$​，在参考译文$s_{ij}$中出现的次数。此时，在n-gram下，参考译文和候选译文$c_i$的匹配度计算公式可以表示为：
$${\mathrm{p}}_{\mathrm{n}}\left({\mathrm{c}}_{\mathrm{i}},\mathrm{S}\right)=\frac{{\sum }_{\mathrm{k}}\min \left({\mathrm{h}}_{\mathrm{k}}\left({\mathrm{c}}_{\mathrm{i}}\right),{\max }_{\mathrm{j}\in \mathrm{m}}{\mathrm{h}}_{\mathrm{k}}\left({\mathrm{s}}_{\mathrm{ij}}\right)\right)}{{\sum }_{\mathrm{k}}{\mathrm{h}}_{\mathrm{k}}\left({\mathrm{c}}_{\mathrm{i}}\right)}$$

举例说明：
candidate：The cat sat on the mat.
reference：The cat is on the mat

$$(candidate\text{和}reference\text{中匹配的}n-gram\text{的个数})/candidate\text{中}n-gram\text{的个数}$$

一般来说, n 取值越大，参考译文就越难匹配上，匹配度就会越低. $1-gram$能够反映候选译文中有多少单词被单独翻译出来，也就代表了参考译文的充分性；$2-gram$、$3-gram$、$4-gram$ 值越高说明参考译文的可读性越好，也就代表了参考译文的流畅性。
当参考译文比候选译文长（单词更多）时，这种匹配机制可能并不准确，例如上面的参考译文如果是The cat，匹配度就会变成1，这显然是不准确的；为此我们引入一个惩罚因子。
$$BP(c_i,s_{ij})=\{\begin{array}{c}1,l_{ci}>l_{s_{ij}}\\ e^{l-\frac{l_{s_{ij}}}{l_{c_i}}},l_{ci}\le l_{sij}\end{array}$$
$l$ 表示各自的长度。最终，BLEU的计算公式就是
$$BLEU=BP\cdot \exp \left(\sum _{n=1}^N{w}_n\log p_n\right)$$
$w_n$代表每一个 n-gram 的权重，一般 $n$ 最大取4，所以 $w_n=0.25$ 。

BLEU 更偏向于较短的翻译结果，它看重准确率而不注重召回率（n-gram 词组是从候选译文中产生的，参考译文中出现、候选译文中没有的词组并不关心）；原论文提议数据集多设置几条候选译文，4条比较好，但是一般的数据集只有一条。

2、ROUGE

BLEU 是统计机器翻译时代的产物，因为机器翻译出来的结果往往不通顺，所以BLEU更关注翻译结果的准确性和流畅度；到了神经网络翻译时代，神经网络很擅长脑补，自己就把语句梳理得很流畅了，这个时候人们更关心的是召回率，也就是参考译文中有多少词组在候选译文中出现了。

关于ROUGE（recall-oriented understanding for gisting evaluation），就是一种基于召回率的相似性度量方法，主要考察参考译文的充分性和忠实性，无法评价参考译文的流畅度，它跟BLEU的计算方式几乎一模一样，但是 n-gram 词组是从参考译文中产生的。分为4种类型：

ROUGE	解释
ROUGE-N	基于 N-gram 的共现（共同出现）统计
ROUGE-L	基于最长共有子句共现性精度和召回率 Fmeasure 统计
ROUGE-W	带权重的最长共有子句共现性精度和召回率 Fmeasure 统计
ROUGE-S	不连续二元组共现性精度和召回率 Fmeasure 统计

Rouge-1、Rouge-2、Rouge-N

论文[3]中对Rouge-N的定义是这样的：

分母是n-gram的个数，分子是参考摘要和自动摘要共有的n-gram的个数。直接借用文章[2]中的例子说明一下：
自动摘要$Y$（一般是自动生成的）：

the cat was found under the bed

参考摘要，$X1$（gold standard ，人工生成的）：

the cat was under the bed

summary的1-gram、2-gram如下，N-gram以此类推：

$Rouge\_1(X1,Y)=\frac{6}{6}=1.0$，分子是待评测摘要和参考摘要都出现的1-gram的个数，分子是参考摘要的1-gram个数。（其实分母也可以是待评测摘要的，但是在精确率和召回率之间，我们更关心的是召回率Recall，同时这也和上面ROUGN-N的公式相同）
同样，$Rouge\_2(X1,Y)=\frac{4}{5}=0.8$

Rouge-L

L即是LCS(longest common subsequence，最长公共子序列)的首字母，因为Rouge-L使用了最长公共子序列。Rouge-L计算方式如下：
$$R_{lcs}=\frac{LCS(X,Y)}{m}(2)$$
$$P_{lcs}=\frac{LCS(X,Y)}{n}(3)$$
$$F_{lcs}=\frac{(1+{\beta }^2)R_{lcs}{P}_{lcs}}{R_{lcs}+{\beta }^2{P}_{lcs}}(4)$$
其中$LCS(X,Y)$是X和Y的最长公共子序列的长度，m,n分别表示参考摘要和自动摘要的长度（一般就是所含词的个数），$R_{lcs}$, $P_{lcs}$分别表示召回率和准确率。最后的$F_{lcs}$即是我们所说的Rouge-L。在DUC中，$\beta$被设置为一个很大的数，所以$Rouge\_L$几乎只考虑了$R_{lcs}$，与上文所说的一般只考虑召回率对应。

参考文章：
[1].自动文摘评测方法：Rouge-1、Rouge-2、Rouge-L、Rouge-S
[2].What is ROUGE and how it works for evaluation of summaries?
[3].ROUGE:A Package for Automatic Evaluation of Summaries
[4].BLEU评估指标
[5].评价度量指标之BLEU，METEOR，ROUGE，CIDEr