近年來在自然語言生成（natural language generation， NLG）研究上取得了巨大的進(jìn)展， 經(jīng)過充分訓(xùn)練的復(fù)雜模型已經(jīng)可以高精度完成文本遷移、文章總結(jié)、參與對話和圖片注釋等多種任務(wù)。目前主要有兩種主要方式對NLG系統(tǒng)進(jìn)行評測：人工測評和自動(dòng)化度量。

人工測評需要人類標(biāo)注員在每個(gè)模型版本上進(jìn)行大規(guī)模的質(zhì)量檢查，這種方法雖然精度很高但勞動(dòng)密集型的檢查任務(wù)十分消耗人力；而像BLEU這樣自動(dòng)化測評方法可以對模型進(jìn)行迅速的評測，但相較于人類翻譯和評審來說經(jīng)常會(huì)出現(xiàn)不可靠的情況。NLG的高速發(fā)展和現(xiàn)有測評方法的局限性使得學(xué)術(shù)界迫切需要開發(fā)出新的測評方法來促進(jìn)NLG系統(tǒng)的發(fā)展。

為了解決這一問題，來自谷歌的研究人員提出了一種名為BLEURT的魯棒文本生成測評指標(biāo)，BLUERT可以實(shí)現(xiàn)非常魯棒并接近于人類標(biāo)注的精度水平。

BLEURT （Bilingual Evaluation Understudy with Representations from Transformers） 基于最近高速發(fā)展的遷移學(xué)習(xí)方法進(jìn)行構(gòu)建，可以捕捉像句子轉(zhuǎn)述等廣泛使用的語言特征。

NLG系統(tǒng)的評測

在人類測評的過程中，系統(tǒng)向人類標(biāo)注者呈現(xiàn)生成的部分文本內(nèi)容，讓人類基于連貫性和表意來評價(jià)內(nèi)容生成的質(zhì)量。生成的句子一般與參考句子一對一地進(jìn)行呈現(xiàn)，參考句子主要來源于網(wǎng)絡(luò)或者人類作品中。

在機(jī)器翻譯任務(wù)中一個(gè)典型的人類測評問題。

人類評測的優(yōu)點(diǎn)在于其準(zhǔn)確性：在評測文本片段時(shí)，人類具有無可比擬的準(zhǔn)確性。但這種方法對于大規(guī)模測評來說，隨隨便便就需要數(shù)十人花費(fèi)很多天時(shí)間，這足以打斷高效的模型研發(fā)流程。

而自動(dòng)化測量的主要優(yōu)勢在于低成本、高效率。一般會(huì)將待測評結(jié)果和參考結(jié)果同時(shí)輸入自動(dòng)化測評系統(tǒng)，返回描述兩個(gè)句子間相似程度的分?jǐn)?shù)。典型的方法是使用詞匯的重合度來評分，但像BLEU則測算候選句子單詞序列同時(shí)也出現(xiàn)在參考句子中的次數(shù)（非常類似于準(zhǔn)確度）。

人類測評與自動(dòng)化測評的優(yōu)缺點(diǎn)正好相反，自動(dòng)化度量十分便捷，可以實(shí)時(shí)測評訓(xùn)練結(jié)果，但他們的精度卻無法令人滿意。這主要是由于自動(dòng)化方法聚焦于對生成文本表面相似性的度量，而無法理解人類語言的多樣性與精妙。僅靠表面形式來獎(jiǎng)勵(lì)哪些詞語上匹配的句子（即使他們沒有捕捉到真正的含義）是不公平的測評方法。

三個(gè)備選句子的BLUE分?jǐn)?shù)，第二句顯然在語義上接近參考句子，但得分卻低于第三句。自動(dòng)化評測方法僅僅依賴表面的文本信息，而忽略了背后所要傳達(dá)的意義。

新評測指標(biāo)BLEURT

BLEURT是一種基于機(jī)器學(xué)習(xí)的自動(dòng)化度量新方法，可以捕捉句子字面背后的語義相似性。下圖顯示了BLEURT指標(biāo)下幾個(gè)句子的得分情況：

利用BLEURT對三個(gè)備選句子進(jìn)行了測評，雖然2包含兩個(gè)不同的詞，但語義相似性讓它獲取了高分。