BLEU的得分和流星有什么区别？

Question

我试图理解机器翻译评价分数的概念。

我明白BLEU的得分是如何实现的。它考察了BLEU-1、BLEU-2、16-3、100-4等不同的n-克，并试图与人类的书面翻译相匹配。

然而，我不能真正理解什么是流星评分，以评估MT的质量。我正试着直观地理解这个理由。我已经在寻找不同的博客文章，但无法真正弄清楚。

这两种评估指标是如何不同的，它们是如何相关的？

有人能帮忙吗？

Answer 1

流星是对MT的标准精度-召回类型的的一种修改.你希望翻译假说中的所有词都有对应的参考翻译(精确)，以及翻译假设中的参考翻译(回忆)中的所有内容。召回的重要性是精确性的9倍。

为此，需要(单语)对齐假设中的单词与参考之间的关系。对于机器翻译来说，这并不容易，因为翻译可能使用不同的词来表示相同的内容。为此，“流星”使用了一个带有单词n克释义的表，这是语言特有的.

最后，由于对齐方式很难看，有一个惩罚。如果你随机调整翻译，你仍然可以得到一个完美的对齐，但这个句子显然被打断了。惩罚是减去对齐单词总数中连续字块对齐数的立方体。