machine-learning - mteval-v13a.pl 和 NLTK BLEU 有什么区别？

Question

Python NLTK中有BLEU评分的实现， nltk.translate.bleu_score.corpus_bleu

但我不确定它是否与 mtevalv13a.pl script 相同.

它们有什么区别？

Answer 1

TL;DR

使用https://github.com/mjpost/sacrebleu在评估机器翻译系统时。

简而言之

不，NLTK 中的 BLEU 与 mteval-13a.perl 并不完全相同。

但它可以非常接近，请参阅 https://github.com/nltk/nltk/issues/1330#issuecomment-256237324

nltk.translate.corpus_bleu corresponds to mteval-13a.pl up to the 4th order of ngram with some floating point discrepancies

详细的比较和使用的数据集可以从https://github.com/nltk/nltk_data/blob/gh-pages/packages/models/wmt15_eval.zip下载或:

import nltk
nltk.download('wmt15_eval')

主要区别:

<小时/>

长

mteval-13a.pl 和 nltk.translate.corpus_bleu 之间有几个区别:

• 第一个区别是 mteval-13a.pl 带有自己的 NIST 分词器，而 NLTK 版本的 BLEU 是该指标的实现并假设输入已预先标记化。

  • 顺便说一句，这个ongoing PR将弥合 NLTK 和 NIST 分词器之间的差距

• 另一个主要区别是 mteval-13a.pl 期望输入采用 .sgm 格式，而 NLTK BLEU 则采用 python 列表字符串，请参阅README.txt in the zipball here for more information of how to convert textfile to SGM .

• mteval-13a.pl 期望 ngram 顺序至少为 1-4。如果句子/语料库的最小 ngram 阶数小于 4，它将返回 0 概率，即 math.log(float('-inf'))。为了模拟这种行为，NLTK 添加了一个 _emulate_multibleu 标志:

  • 参见https://github.com/nltk/nltk/blob/develop/nltk/translate/bleu_score.py#L477

• mteval-13a.pl 能够生成 NIST 分数，而 NLTK 没有 NIST 分数实现(至少目前还没有)

  • NLTK 中的 NIST 分数为 upcoming in this PR

除了差异之外，NLTK BLEU 分数还包含更多功能:

• 处理原始 BLEU(Papineni，2002 年)忽略的边缘情况

  • 参见https://github.com/nltk/nltk/pull/1383

• 此外，为了处理 Ngram 最大阶数 < 4 的边缘情况，各个 ngram 精度的统一权重将重新加权，以使权重的质量总和为 1.0

  • 参见https://github.com/nltk/nltk/blob/develop/nltk/translate/bleu_score.py#L175

• 同时 NIST has a smoothing method对于几何序列平滑，NLTK has an equivalent object with the same smoothing method以及更多平滑方法来处理 Chen and Collin, 2014 中的句子级 BLEU

最后，为了验证 NLTK 版本的 BLEU 中添加的功能，添加了回归测试来说明它们，请参阅 https://github.com/nltk/nltk/blob/develop/nltk/test/unit/translate/test_bleu.py