简介

BLEU1（bilingual evaluation understudy）最早由IBM提出，用来评价翻译质量，该评价指标重点关注

相同文本下，机器与人翻译结果的近似程度

即机器译文与参考译文的相似程度。

算法

根据第一部分的介绍可知，BLEU可以评价机器译文与参考译文的相似度，但它是如何实现的呢？一种简单粗暴的方法是：统计同时出现在机器译文和参考译文中的词的个数，最后把匹配词的数目除以机器译文的单词数目，便是相似度。这种方法可以用如下公式表示：

P=mwt(1)

其中 m 表示能够在参考译文找到的机器译文词， wt 表示机器译文词的总数。为了便于理解，这里简单举一个例子

根据公式 (1) 可知，此时相似度为

P=77=1

此时相似度无法反应真实的翻译效果。显然， m 的计算方式是导致相似度失真的重要因素。为此，引入一种新的计算方式：

Countclip(word)=min{Count(word), MaxRefCount(word)}

其中 Count(word) 表示词在机器译文中的出现次数， MaxRefCount(word) 是该词在参考译文中出现的最大次数。对应上面的例子，“the”在参考译文一中出现了两次，在参考译文二中出现了一次，那么 Countclip(word)=2 ，进而

P=Countclip(word)wt=27

根据上述定义， wt 的计算公式如下所示

wt=∑word∈CCount(word)

现实情况中，使用单个词衡量相似度效果往往不好，而n-gram能够有效改善上述问题。因此，对于整个测试语料，n-gram相似度的计算公式如下

pn=∑C∈Candidates∑n−gram∈CCountclip(n−gram)∑C′∈Candidates∑n−gram′∈C′Count(n−gram′)

得到上述结果后，可以使用“几何平均值”来衡量整个机器译文的质量，BLEU正是这么计算的。另外，由于上述n-gram相似度倾向于给短文本很高的分数（在上述例子中，若机器译文的结果是”the cat”，上述n-gram相似度是 p1=12+12=1 ），BLEU还加入了brevity penalty(BP)来平衡这种倾向。综上所述，BLEU的计算公式如下所示

BLEU=BP∙exp(∑n=1Nwnlogpn)(2)

其中

BP=⎧⎩⎨1if c>re1−r/c if c≤r

c 表示机器译文的长度， r 表示有效参考译文的长度。BLEU的知识就介绍到这里，更加详细些的内容可以参考《BLEU: a Method for Automatic Evaluation of Machine Translation》

1. BLEU: a Method for Automatic Evaluation of Machine Translation ↩