ROUGE基于召回率,BLEU更看重准确率
BLEU
BLEU总体思想就是准确率,假如给定标准译文reference,神经网络生成的句子是candidate,candidate长度为n,candidate中有m个单词出现在reference,m/n就是bleu的1-gram的计算公式。
BLEU还有许多变种。根据n-gram可以划分成多种评价指标,常见的指标有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。
分子
神经网络生成的句子是candidate,给定的标准译文是reference。
1) 第一个求和符号统计的是所有的candidate,因为计算时可能有多个句子,
2)第二个求和符号统计的是一条candidate中所有的n−gram,而
所以整个分子就是在给定的candidate中有多少个n-gram词语出现在reference中。
分母
前两个求和符号和分子中的含义一样,Count(n-gram’)表示n−gram′在candidate中的个数,综上可知,分母是获得所有的candidate中n-gram的个数。
BLEU实质是对两个句子的共现词频率计算,但计算过程中使用好些技巧,追求计算的数值可以衡量这两句话的一致程度。BLEU容易陷入常用词和短译句的陷阱中,而给出较高的评分值。
ROUGE
机器自动摘要常见的参考指标rouge有若干个优化版本,核心是通过统计机器候选摘要句子和标准摘要句子重叠的单元n-gram,来评判摘要的质量。
- ROUGE-1
- ROUGE-2
- ROUGE-3
- ROUGE-N
- ROUGE-L
- ROUGE-W
- ROUGE-S
- ROUGE-SU
ROUGE-N
分子表示所有样本的reference结果按N-gram拆分后与candidate结果按N-gram拆分后匹配上个数的和;分母表示所有样本的reference结果,按N-gram拆分后的和。可以发现分子跟BLEU相同,而分母是不同的,更注重召回。
ROUGE-L
最长公共子序列的重合率计算。
S是人工摘要,C是机器摘要
表示召回率,而 表示精确率, 就是 ROUGE-L。一般 beta 会设置为很大的数,因此 几乎只考虑了
优点:反应句子级别顺序,不需要制定n-gram的长度
缺点:只考虑了最长子序列的长度,忽略了其他子序列
适用于短摘要提取
PS: 注意Rouge L跟Rouge 1的区别,最长公共子序列是有方向的,而Rouge 1则认为是无向的
参考
https://zhuanlan.zhihu.com/p/223048748
https://www.zhihu.com/search?type=content&q=Rouge-l