• 文本生成客观评价指标总结（附Pytorch代码实现）

    前言：最近在做文本生成的工作，调研发现针对不同的文本生成场景（机器翻译、对话生成、图像描述、data-to-text 等），客观评价指标也不尽相同。虽然网络上已经有很多关于文本生成评价指标的文章，本博客也是基于现有资源的一个汇总，但这些文章大多是对评价指标原理的系统性梳理，很少结合相应的代码实现。我认为还是要使用理论实践相结合的方式，通过代码来辅助我们更好地理解这些评价指标，毕竟我们是要根据这些评价指标的关注点来决定最终选择使用哪些指标对我们的任务进行评价。本篇博文对这些客观评价指标的原理进行简要总结，并给出代码示例。

    分类

    基于词重叠的评价指标

    基于词重叠的评价指标关注词汇分布的相似性，主要包括BLEU、ROUGE、METEOR、NIST和distinct. 其中BLEU和METEOR常用于机器翻译任务，ROUGE常用于自动文本摘要。

    BLEU（Bilingual Evaluation Understudy）

    关注精确率，计算生成文本中n-gram出现在参照文本中的比例，适用于数据集量级，在句子级表现不佳。

    相关文章：Bleu: a Method for Automatic Evaluation of Machine Translation (ACL, 2002)

    ROUGE（Recall-Oriented Understudy for Gisting Evaluation）

    是对BLEU的改进，关注召回率，计算参照文本中n-gram出现在生成文本中的比例，又可细分为ROUGE-N、ROUGE-L、ROUGE-W、ROUGE-S.

    相关文章：ROUGE: Recall-oriented understudy for gisting evaluation (ACL Workshp, 2004)

    METEOR

    是对BLEU的改进，考虑了生成文本与参照文本之间的对齐关系，使用WordNet计算特定的序列匹配，同义词，词根和词缀，释义之间的匹配关系。

    相关文章：METEOR: An Automatic Metric for MT Evaluation with Improved Correlation with Human Judgments (ACL Workshop, 2005)

    NIST（National Institute of standards and Technology）

    是对BLEU的改进，引入了每个n-gram的信息量的概念。

    代码实现参考：机器翻译评测——BLEU改进后的NIST算法

    Distinct-n

    用于评价生成文本的多样性，计算生成文本中不重复的n-gram数量与n-gram总数量的比值。(0,1]

    相关文章：A diversity-promoting objective function for neural conversation models (NAACL, 2016)

    代码实现-版本1 参考： 自然语言生成评测方法 BLEU, Distinct, F1 代码实现

    # 代码实现——版本1
def get_dict(tokens, ngram, gdict=None):
    """
    统计 n-gram 频率并用dict存储
    """
    token_dict = {}
    if gdict is not None:
        token_dict = gdict
    tlen = len(tokens)
    for i in range(0, tlen - ngram + 1):
        ngram_token = "".join(tokens[i:(i + ngram)])
        if token_dict.get(ngram_token) is not None: 
            token_dict[ngram_token] += 1
        else:
            token_dict[ngram_token] = 1
    return token_dict


def calc_distinct_ngram(pair_list, ngram):
    
    ngram_total = 0.0
    ngram_distinct_count = 0.0
    pred_dict = {}
    for predict_tokens, _ in pair_list:
        get_dict(predict_tokens, ngram, pred_dict)
    for _, freq in pred_dict.items():
        ngram_total += freq
        ngram_distinct_count += 1 
        #if freq == 1:
        #    ngram_distinct_count += freq
    return ngram_distinct_count / ngram_total


if __name__ == "__main__":
        
    predictions = ['This is a cat', 'It is so lovely!']
    references = ["What's the weather today?", 'So cute!']

    pair_list = [[predictions[0], references[0]], [predictions[1], references[1]]]

    distinct1 = calc_distinct_ngram(pair_list, 1)
    distinct2 = calc_distinct_ngram(pair_list, 2)
    
    print(distinct1, distinct2)
    
    # 0.5172413793103449 0.8148148148148148

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25
    • 26
    • 27
    • 28
    • 29
    • 30
    • 31
    • 32
    • 33
    • 34
    • 35
    • 36
    • 37
    • 38
    • 39
    • 40
    • 41
    • 42
    • 43
    • 44
    • 45
    • 46

    代码实现——版本2 参考：【NLG】(四)文本生成评价指标—— diversity原理及代码示例

    # 代码实现——版本2
from collections import defaultdict
def calc_diversity(predicts, n_gram=4):
    tokens = [0.0 for _ in range(n_gram)]
    types = [defaultdict(int) for _ in range(n_gram)]
    div_list = [0.0 for _ in range(n_gram)]
    for gg in predicts:
        g = gg.rstrip().split()  # 给当前 sentence 按照空格分词
        for n in range(n_gram):  # 计算 dis-1 和 dis-2，所以这里是 range(2)
            for idx in range(len(g)-n):
                ngram = ' '.join(g[idx:idx+n+1])
                types[n][ngram] = 1
                tokens[n] += 1
    for idx in range(n_gram):
        div_list[idx] = len(types[idx].keys())/tokens[idx]
    div_list = [i*100 for i in div_list]
    # print(div_list)
    return div_list
 
if __name__ == '__main__':
    predicts = ["What are you saying", "What did you say?"]
    div_list = calc_diversity(predicts)
    print(div_list)   
    
    # [75.0, 100.0, 100.0, 100.0]

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25

    Repetition-n

    重复度指标用于间接评价生成文本的多样性，计算生成文本中频率高于1的的n-gram数量与n-gram总数量的比值。(0,1]

    相关文章：Long and Diverse Text Generation with Planning-based Hierarchical Variational Model（EMNLP, 2019）

    # 代码实现
from collections import defaultdict
def calc_repetition(predicts, n_gram=4):
    types = [defaultdict(int) for _ in range(n_gram)]
    rep_list = [0.0 for _ in range(n_gram)]
    for gg in predicts:
        g = gg.rstrip().split()  # 给当前 sentence 按照空格分词
        for n in range(n_gram):  # 计算 dis-1 和 dis-2，所以这里是 range(2)
            for idx in range(len(g)-n):
                ngram = ' '.join(g[idx:idx+n+1])
                types[n][ngram] += 1
    for idx in range(n_gram):
        unique_list = [int(cnt>1) for cnt in types[idx].values()]
        rep_list[idx] = sum(unique_list)/len(types[idx].keys())
    rep_list = [i* 100 for i in rep_list]
    # print(rep_list)
    return rep_list
 
if __name__ == '__main__':
    predicts = ["What are you saying", "What did you say?"]
    rep_list = calc_repetition(predicts)
    print(rep_list)   

	# [33.33333333333333, 0.0, 0.0, 0.0]

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24

    注：在以上指标的计算中，不同的分词方式对计算结果有较大影响（参考链接），应根据目标任务选择较为适合的分词方式进行计算。

    基于词向量的评价指标

    基于词向量的评价指标关注语义分布的相似性，主要包括 Embedding Average Score、Greedy Matching Score、Vector Extrema Score.

    Embedding Average Score

    分别对参照文本和生成文本的词向量取平均，作为二者的文本特征，然后计算二者的余弦相似度。

    Greedy Matching Score

    取参照文本和生成文本最相似的一对单词的词向量的余弦相似度作为二者的相似度。

    Vector Extrema Score

    分别对参照文本和生成文本，取句中各单词词向量每个维度的最大值作为句子向量对应维度的最大值，得到两个句向量，然后计算二者的余弦相似度。

    基于词重叠的评价指标（BLEU、ROUGE、METEOR）和基于词向量的评价指标（Embedding Average Score、Greedy Matching Score、Vector Extrema Score）相关代码直接调用nlg-eval实现，nlg-eval安装参考此篇博文。

    # 代码实现
from nlgeval import NLGEval

references = ["This is a cat", "This is a feline"]
predictions = ["This is my cat"]
references=[[r] for r in references]

nlgeval_=NLGEval()
ans=nlgeval_.compute_metrics(hyp_list=predictions,ref_list=references)
print(ans)

# {'Bleu_1': 0.7499999996250004, 'Bleu_2': 0.4999999997291671, 'Bleu_3': 4.999999996944452e-06, 'Bleu_4': 1.8803015450937985e-08, 'METEOR': 0.8559670781893004, 'ROUGE_L': 0.75, 'CIDEr': 0.0, 'SkipThoughtCS': 0.85018563, 'EmbeddingAverageCosineSimilarity': 0.810215, 'EmbeddingAverageCosineSimilairty': 0.810215, 'VectorExtremaCosineSimilarity': 0.77313, 'GreedyMatchingScore': 0.867042}

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12

    基于语言模型的评价指标

    基于语言模型的评价指标通过使用语言模型，来计算参照文本和生成文本的相似度，主要包括BertScore、BARTScore、MoverScore、BLEURT及Perplexity.

    BertScore

    对生成文本和参照文本（word piece进行tokenize）分别用bert提取特征，然后对两个句子的每一个词分别计算内积，可以得到一个相似性矩阵。基于这个矩阵，分别对参照文本和生成文本进行最大相似性得分的累加然后归一化，得到bertscore的precision，recall和F1值。

    相关文章：BERTScore: Evaluating Text Generation with BERT （ICLR 2020）
    代码链接：https://github.com/Tiiiger/bert_score

    # 代码实现-版本1

from bert_score import score

def BertScore(predictions, references):
    
    P, R, F1 = score(predictions, references, lang="en", verbose=True, model_type = "distilbert-base-uncased")
    
    # print(f"System level F1 score: {F1.mean():.3f}")

    return P, R, F1

def DrawBertScoreSimilarityMatrix(pred, ref):
    from bert_score import plot_example

    plot_example(pred, ref, lang="en", fname="/data/WWW/extra/metrics/bert_score.png")  

# prediction 和 reference 长度必须相同
predictions = ['This is a cat', 'It is so lovely!']
references = ["What's the weather today?", 'So cute!']
print(BertScore(predictions, references))  

# (tensor([0.6350, 0.8027]), tensor([0.6267, 0.8685]), tensor([0.6308, 0.8343]))

pred, ref = predictions[1], references[1]
DrawBertScoreSimilarityMatrix(pred, ref)

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25
    • 26

    BertScore计算出的相似度矩阵
    代码实现-版本2 调用 huggingface 中的 evaluate 库实现：https://huggingface.co/spaces/evaluate-metric/bertscore

    # 代码实现-版本2
'''
The original BERTScore paper showed that BERTScore correlates well with human judgment on sentence-level and system-level evaluation, but this depends on the model and language pair selected.
'''
import evaluate

bertscore = evaluate.load("bertscore")

predictions = ['This is a cat', 'It is so lovely!']
references = ["What's the weather today?", 'So cute!']

results = bertscore.compute(predictions=predictions, references=references, lang="en", model_type = "distilbert-base-uncased")
print(results)

# {'precision': [0.6349790096282959, 0.8026740550994873], 'recall': [0.6267067193984985, 0.8684506416320801], 'f1': [0.6308157444000244, 0.8342678546905518], 'hashcode': 'distilbert-base-uncased_L5_no-idf_version=0.3.12(hug_trans=4.23.1)'}

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15

    BARTScore

    将生成文本的评估看做是文本生成任务，采用无监督学习对生成文本的不同方面 (e.g. informativeness, fluency, or factuality) 进行评估。

    相关文章：BARTSCORE: Evaluating Generated Text as Text Generation（NeuralPS 2021）
    代码链接：https://github.com/neulab/BARTScore

    # 代码实现
import torch
import torch.nn as nn
import traceback
from transformers import BartTokenizer, BartForConditionalGeneration

class BARTScorer:
    def __init__(self, device='cuda:0', max_length=1024, checkpoint='facebook-bart-large-cnn'):
        # Set up model
        self.device = device
        self.max_length = max_length
        self.tokenizer = BartTokenizer.from_pretrained(checkpoint)
        self.model = BartForConditionalGeneration.from_pretrained(checkpoint)
        self.model.eval()
        self.model.to(device)

        # Set up loss
        self.loss_fct = nn.NLLLoss(reduction='none', ignore_index=self.model.config.pad_token_id)
        self.lsm = nn.LogSoftmax(dim=1)

    def load(self, path=None):
        """ Load model from paraphrase finetuning """
        if path is None:
            path = 'models/bart.pth'
        self.model.load_state_dict(torch.load(path, map_location=self.device))

    def score(self, srcs, tgts, batch_size=4):
        """ Score a batch of examples """
        score_list = []
        for i in range(0, len(srcs), batch_size):
            src_list = srcs[i: i + batch_size]
            tgt_list = tgts[i: i + batch_size]
            try:
                with torch.no_grad():
                    encoded_src = self.tokenizer(
                        src_list,
                        max_length=self.max_length,
                        truncation=True,
                        padding=True,
                        return_tensors='pt'
                    )
                    encoded_tgt = self.tokenizer(
                        tgt_list,
                        max_length=self.max_length,
                        truncation=True,
                        padding=True,
                        return_tensors='pt'
                    )
                    src_tokens = encoded_src['input_ids'].to(self.device)
                    src_mask = encoded_src['attention_mask'].to(self.device)

                    tgt_tokens = encoded_tgt['input_ids'].to(self.device)
                    tgt_mask = encoded_tgt['attention_mask']
                    tgt_len = tgt_mask.sum(dim=1).to(self.device)

                    output = self.model(
                        input_ids=src_tokens,
                        attention_mask=src_mask,
                        labels=tgt_tokens
                    )
                    logits = output.logits.view(-1, self.model.config.vocab_size)
                    loss = self.loss_fct(self.lsm(logits), tgt_tokens.view(-1))
                    loss = loss.view(tgt_tokens.shape[0], -1)
                    loss = loss.sum(dim=1) / tgt_len
                    curr_score_list = [-x.item() for x in loss]
                    score_list += curr_score_list

            except RuntimeError:
                traceback.print_exc()
                print(f'source: {src_list}')
                print(f'target: {tgt_list}')
                exit(0)
        return score_list

    def test(self, batch_size=3):
        """ Test """
        src_list = [
            'This is a very good idea. Although simple, but very insightful.',
            'Can I take a look?',
            'Do not trust him, he is a liar.'
        ]

        tgt_list = [
            "That's stupid.",
            "What's the problem?",
            'He is trustworthy.'
        ]

        print(self.score(src_list, tgt_list, batch_size))


# To use the CNNDM version BARTScore
bart_scorer = BARTScorer(device='cuda:0', checkpoint='facebook/bart-large-cnn')
score_list = bart_scorer.score(['This is interesting.'], ['This is fun.']) # generation scores from the first list of texts to the second list of texts.
print(score_list)
# [-2.510652780532837]

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25
    • 26
    • 27
    • 28
    • 29
    • 30
    • 31
    • 32
    • 33
    • 34
    • 35
    • 36
    • 37
    • 38
    • 39
    • 40
    • 41
    • 42
    • 43
    • 44
    • 45
    • 46
    • 47
    • 48
    • 49
    • 50
    • 51
    • 52
    • 53
    • 54
    • 55
    • 56
    • 57
    • 58
    • 59
    • 60
    • 61
    • 62
    • 63
    • 64
    • 65
    • 66
    • 67
    • 68
    • 69
    • 70
    • 71
    • 72
    • 73
    • 74
    • 75
    • 76
    • 77
    • 78
    • 79
    • 80
    • 81
    • 82
    • 83
    • 84
    • 85
    • 86
    • 87
    • 88
    • 89
    • 90
    • 91
    • 92
    • 93
    • 94
    • 95
    • 96

    MoverScore

    对BertScore的改进，原理讲解可查看本篇文章

    相关文章：MoverScore: Text Generation Evaluating with Contextualized Embeddings and Earth Mover Distance（EMNLP 2019）
    代码链接：https://github.com/AIPHES/emnlp19-moverscore

    # 代码实现
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
"""
Created on Thu Mar 11 02:01:42 2021

@author: zhao
"""

import os 
# os.environ['MOVERSCORE_MODEL'] = "emilyalsentzer/Bio_ClinicalBERT"
os.environ['MOVERSCORE_MODEL'] = "albert-base-v2"

from typing import List, Union, Iterable
from itertools import zip_longest
import sacrebleu
from moverscore_v2 import word_mover_score
from collections import defaultdict
import numpy as np

os.environ['MOVERSCORE_MODEL'] = "albert-base-v2"

def sentence_score(hypothesis: str, references: List[str], trace=0):
    
    idf_dict_hyp = defaultdict(lambda: 1.)
    idf_dict_ref = defaultdict(lambda: 1.)
    
    hypothesis = [hypothesis] * len(references)
    
    sentence_score = 0 

    scores = word_mover_score(references, hypothesis, idf_dict_ref, idf_dict_hyp, stop_words=[], n_gram=1, remove_subwords=False)
    
    sentence_score = np.mean(scores)
    
    if trace > 0:
        print(hypothesis, references, sentence_score)
            
    return sentence_score

def corpus_score(sys_stream: List[str],
                     ref_streams:Union[str, List[Iterable[str]]], trace=0):

    if isinstance(sys_stream, str):
        sys_stream = [sys_stream]

    if isinstance(ref_streams, str):
        ref_streams = [[ref_streams]]

    fhs = [sys_stream] + ref_streams

    corpus_score = 0
    for lines in zip_longest(*fhs):
        if None in lines:
            raise EOFError("Source and reference streams have different lengths!")
            
        hypo, *refs = lines
        corpus_score += sentence_score(hypo, refs, trace=0)
        
    corpus_score /= len(sys_stream)

    return corpus_score

def test_corpus_score():
    
    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)
    mover = corpus_score(sys, refs)
    print(bleu.score)
    print(mover)
    
    
def test_sentence_score():
    
    refs = ['The dog bit the man.', 'The dog had bit the man.']
    sys = 'The dog bit the man.'
    
    bleu = sacrebleu.sentence_bleu(sys, refs)
    mover = sentence_score(sys, refs)
    
    print(bleu.score)
    print(mover)


def DrawMoverScoreSimilarityMatrix(pred, ref):
    from moverscore_v2 import plot_example

    plot_example(True, ref, pred)


if __name__ == '__main__':   

    test_sentence_score()
    # 100.00000000000004
	# 0.8019052804445386
    
    test_corpus_score()
    # 48.530827009929865
	# 0.7152593800256765

    ref = 'they are now equipped with air conditioning and new toilets.'
    pred = 'they have air conditioning and new toilets.'
    DrawMoverScoreSimilarityMatrix(pred, ref)

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25
    • 26
    • 27
    • 28
    • 29
    • 30
    • 31
    • 32
    • 33
    • 34
    • 35
    • 36
    • 37
    • 38
    • 39
    • 40
    • 41
    • 42
    • 43
    • 44
    • 45
    • 46
    • 47
    • 48
    • 49
    • 50
    • 51
    • 52
    • 53
    • 54
    • 55
    • 56
    • 57
    • 58
    • 59
    • 60
    • 61
    • 62
    • 63
    • 64
    • 65
    • 66
    • 67
    • 68
    • 69
    • 70
    • 71
    • 72
    • 73
    • 74
    • 75
    • 76
    • 77
    • 78
    • 79
    • 80
    • 81
    • 82
    • 83
    • 84
    • 85
    • 86
    • 87
    • 88
    • 89
    • 90
    • 91
    • 92
    • 93
    • 94
    • 95
    • 96
    • 97
    • 98
    • 99
    • 100
    • 101
    • 102
    • 103
    • 104
    • 105
    • 106

    MoverScore计算出的相似度矩阵

    BELURT

    通过fine-tune语义相似度任务，用来做评价指标，原理讲解可查看本篇文章

    相关文章：BLEURT: Learning Robust Metrics for Text Generation（ACL 2020）
    代码链接：https://github.com/google-research/bleurt

    计算BLEURT时，调用 huggingface 中的 evaluate 库实现：https://huggingface.co/spaces/evaluate-metric/bleurt

    # 代码实现
import evaluate
predictions = ["hello there", "general kenobi"]
references = ["hello there", "general kenobi"]
bleurt = evaluate.load("bleurt", module_type="metric", checkpoint="bleurt-base-128")
results = bleurt.compute(predictions=predictions, references=references)
print(results)

# {'scores': [1.0295498371124268, 1.0445425510406494]}

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9

    Perplexity（困惑度）

    用来评估生成文本的流畅性，其值越小，说明语言模型的建模能力越好，即生成的文本越接近自然语言。

    相关文章：F. Jelinek, et al. Perplexity—a measure of the difficulty of speech recognition tasks (JASA, 1977)

    计算困惑度时，调用 huggingface 中的 evaluate 库实现：https://huggingface.co/spaces/evaluate-metric/perplexity

    # 代码实现
from collections import defaultdict
import evaluate
import datasets

'''
Note that the output value is based heavily on what text the model was trained on. This means that perplexity scores are not comparable between models or datasets.
'''

perplexity = evaluate.load("perplexity", module_type="metric")
input_texts = ["lorem ipsum", "Happy Birthday!", "Bienvenue"]
results = perplexity.compute(model_id='gpt2',
                             add_start_token=False,
                             predictions=input_texts)

input_texts = datasets.load_dataset("wikitext",
                                    "wikitext-2-raw-v1",
                                    split="test")["text"][:50]
input_texts = [s for s in input_texts if s!='']
results = perplexity.compute(model_id='gpt2', predictions=input_texts)

print(list(results.keys()))
print(round(results["mean_perplexity"], 2))
for i in results["perplexities"]:  # 打印每句话的ppl
    print(round(i, 2))

# ['perplexities', 'mean_perplexity']
# 646.74
# 32.25
# 1499.69
# 408.28

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13
    • 14
    • 15
    • 16
    • 17
    • 18
    • 19
    • 20
    • 21
    • 22
    • 23
    • 24
    • 25
    • 26
    • 27
    • 28
    • 29
    • 30
    • 31

    基于距离的评价指标

    基于距离的评价指标是一种典型的 “错误率” 的度量方法，类似指标还有 WER，PER 等，只是在 “错误” 的定义上略有不同。这些指标多用于机器翻译任务中。

    TER（Translation Edit Rate）

    计算将生成文本转换为参照文本所需要的最少编辑操作次数。

    相关文章：A Study of Translation Edit Rate with Targeted Human Annotation (ACL, 2006)

    计算TER时，调用 huggingface 中的 evaluate 库实现：https://huggingface.co/spaces/evaluate-metric/ter

    # 代码实现
import evaluate
predictions = ["does this sentence match??", "what about this sentence?"]
references = [["does this sentence match", "does this sentence match!?!"],
             ["wHaT aBoUt ThIs SeNtEnCe?", "wHaT aBoUt ThIs SeNtEnCe?"]]
ter = evaluate.load("ter")
results = ter.compute(predictions=predictions, 
                         references=references, 
                         normalized=True,
                         case_sensitive=True)
print(results)

# {'score': 57.14285714285714, 'num_edits': 6, 'ref_length': 10.5}

    • 1
    • 2
    • 3
    • 4
    • 5
    • 6
    • 7
    • 8
    • 9
    • 10
    • 11
    • 12
    • 13

    基于学习的评价指标

    使用机器学习/神经网络的方法来学习一个好的评价指标，使得模型打分和人工打分更接近。像各种 GANs、ADEM、Dual Encoder 等。

    其他评价指标

    还有一些针对特定文本生成任务设计的指标，如图像描述生成任务中的CIDEr和SPICE指标、data-to-text中的相关指标等。

    CIDEr

    将每个句子都看作“文档”，将其表示成 Term Frequency Inverse Document Frequency（tf-idf）向量的形式，通过对每个n元组进行(TF-IDF) 权重计算，计算参照描述文本与生成描述文本的余弦相似度，来衡量图像标注的一致性。

    相关文章：CIDEr: Consensus-based image description evaluation (CVPR, 2015)

    计算CIDEr时，可以直接调用nlg-eval实现，nlg-eval安装参考此篇博文。

    另有对CIDEr的改进版本，如SelfCIDEr，旨在衡量生成描述文本的多样性。
    相关文章：Describing Like Humans: On Diversity in Image Captioning（CVPR, 2019）

    SPICE（Semantic Propositional Image Caption Evaluation）

    使用基于图的语义表示来编码描述中的 objects, attributes 和 relationships。它先将待评价 caption 和参考 captions 用 Probabilistic Context-Free Grammar (PCFG) dependency parser parse 成 syntactic dependencies trees，然后用基于规则的方法把 dependency tree 映射成 scene graphs。最后计算待评价的 caption 中 objects, attributes 和 relationships 的 F-score 值。

    相关文章：SPICE: Semantic Propositional Image Caption Evaluation (ECCV, 2016)

    文本生成中的主流客观评价指标就先介绍到这里啦 ~ 希望伙伴们能够对这些指标有一个系统性了解，选择合适的指标对自己的任务进行评估~

    参考资料

    1. 文本生成13：万字长文梳理文本生成评价指标
    2. 对话系统评价指标
    3. 深度学习对话系统理论篇–数据集和评价指标介绍
    4. 文本生成评价指标的进化与推翻
    5. MoverScore原理讲解
    6. 基于深度学习的对话系统常用评价指标优缺点和适用范围
    7. 语言模型评价指标Perplexity
    8. 机器翻译评测——BLEU改进后的NIST算法
    9. 自然语言生成评测方法 BLEU, Distinct, F1 代码实现
    10. 面向文本生成任务的评估指标
    11. A Survey of Evaluation Metrics Used for NLG Systems（ACM Computing Surveys, 2022）
    12. 中文自动文本摘要生成指标计算，Rouge/Bleu/BertScore/QA代码实现_rouge代码_道天翁的博客-CSDN博客
  • 相关阅读:
    基于协同过滤算法的东北特产销售系统的设计
    学生党适合什么蓝牙耳机？推荐四款学生党蓝牙耳机
    OpenGL之环境映射
    Vue2（一）：Vue介绍、模板语法、数据绑定、el和data的两种写法、MVVM、数据代理、事件
    通过文件流转加密压缩文件并下载
    CPU乱序执行基础 —— Tomasulo算法及执行过程
    排序算法之归并排序与基数排序
    从根儿上理解虚拟内存
    SpringMVC：处理器方法的返回值（动力）
    物理服务器安装CentOS 7操作系统
  • 原文地址：https://blog.csdn.net/qq_36332660/article/details/128160295