1

我很好奇是否有人熟悉使用NLTK 的 BLEU 分数计算和SacreBLEU 库之间的区别。

特别是，我使用了两个库的句子 BLEU 分数，在整个数据集上取平均值。两者给出不同的结果：

>>> from nltk.translate import bleu_score
>>> from sacrebleu import sentence_bleu
>>> print(len(predictions))
256
>>> print(len(targets))
256
>>> prediction = "this is the first: the world's the world's the world's the \
... world's the world's the world's the world's the world's the world's the world \
... of the world of the world'"
...
>>> target = "al gore: so the alliance for climate change has launched two campaigns."
>>> print(bleu_score.sentence_bleu([target], prediction))
0.05422283394039736
>>> print(sentence_bleu(prediction, [target]).score)
0.0
>>> print(sacrebleu.corpus_bleu(predictions, [targets]).score)
0.678758518214081
>>> print(bleu_score.corpus_bleu([targets], [predictions]))
0

正如您所看到的，有很多令人困惑的不一致之处正在发生。我的 BLEU 分数不可能是 67.8%，但也不应该是 0%（有很多重叠的 n-gram，比如“the”）。

如果有人能对此有所了解，我将不胜感激。谢谢。

4

1 回答 1

3

NLTK 和 SacreBLEU 使用不同的标记化规则，主要是在它们如何处理标点符号方面。NLTK 使用自己的标记化，而 SacreBLEU 复制了 2002 年的原始 Perl 实现。标记化规则在 NLTK 中可能更详细，但它们使数字无法与原始实现相媲美。

您从 SacreBLEU 获得的语料库 BLEU 不是 67.8%，而是 0.67%——与 NLTK 不同，来自 SacreBLEU 的数字已经乘以 100。因此，我不会说分数之间存在巨大差异。

句子级 BLEU 可以使用不同的平滑技术，即使 3-gram 的 4-gram 精度为零，也应确保分数得到合理的值。但是，请注意，BLEU 作为句子级别的度量是非常不可靠的。

于 2020-12-28T10:36:19.397 回答