keras - 如何比较 BiLSTM 和 N-Gram 语言模型的性能？

Question

评估语言模型的流行方法是困惑。

但是我们不能直接从 BiLSTM 模型中找到困惑数。

我们需要从 2^(cross-entropy) 计算它。

我应该使用 BLEU 还是 Next-word 预测结果或其他方法来评估这些模型？

我会很感激任何想法。