概述
BERTScore 通过比较含义而不是确切的单词来衡量机器生成的文本与参考的匹配程度。它修复了旧指标的一个核心盲点，该盲点会惩罚有效的释义。
BERTScore 和语义评估是一个技术构建块，会大规模影响模型质量、基础设施成本、延迟和可靠性。
深入探讨
BERTScore 通过将每个标记嵌入到 BERT 或 RoBERTa 等上下文模型中来评估生成的文本（翻译、摘要、标题），然后通过余弦相似度将候选标记与参考标记进行匹配。 BLEU 和 ROUGE 等较旧的指标计算重叠的 n 元语法，因此“猫在垫子上”和“猫坐在地毯上”尽管含义相同，但得分接近零。相反，BERTScore 计算贪婪标记匹配，然后聚合为精度、召回率和 F1。由于嵌入是上下文相关的，因此不同句子中的相同单词会获得不同的向量，从而捕捉细微差别。它与人类的质量判断有更好的相关性，尤其是对于流畅的释义，这就是为什么它在 2019 年推出后成为标准语义评估工具。
技术洞察
每个 token 都有一个上下文嵌入； BERTScore 在候选标记和参考标记之间构建相似性矩阵，然后贪婪地将每个标记与其最高相似度的伙伴进行匹配。召回率将参考标记与候选者匹配，精度与另一个方向匹配，F1 将它们组合起来。可选的逆文档频率加权可以降低“the”等常见单词的权重。分数通常会根据基线重新调整，因此值分布在可用范围内，而不是聚集在 0.85 附近。
掌握 BERTcore 和语义评估
BERTScore 通过比较含义而不是确切的单词来衡量机器生成的文本与参考的匹配程度。它修复了旧指标的一个核心盲点，该盲点会惩罚有效的释义。 BERTScore 和语义评估是一个技术构建块，会大规模影响模型质量、基础设施成本、延迟和可靠性。为了建立深入的理解，请将 BERTScore 和语义评估视为一种操作模型，而不是单一功能：定义期望的结果，澄清假设，并将系统可以可靠地执行的操作与仍需要专家判断的操作分开。
在实践中，强大的团队使用 BERTScore 和语义评估来根据可靠性和成本优化架构、数据和基础设施选择。他们记录明确的成功标准，根据实际数据和工作流程进行测试，并根据观察到的失败模式而不是一次性基准测试胜利进行迭代。这就是理论理解转变为跨产品、政策和运营的持久能力的地方。
多年来，架构决策决定着性能和运营成本。与此同时，优化一个基准测试可以隐藏更广泛的系统弱点。最具弹性的方法是将实验速度与治理规则结合起来：运行试点、捕获证据、发布决策日志，并随着模型行为、用户期望和监管要求的发展不断更新保障措施。
战略影响
多年来，架构决策决定着性能和运营成本。
多年来，架构决策决定着性能和运营成本。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
技术教育帮助团队选择正确的堆栈，而不仅仅是最新的堆栈。
技术教育帮助团队选择正确的堆栈，而不仅仅是最新的堆栈。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
更好的工程选择可以减少生产中的可靠性事故。
更好的工程选择可以减少生产中的可靠性事故。在高质量部署中，这会转化为可衡量的操作规则、所有权边界和定期审查仪式，以便团队可以增强信心，而不是扩大模糊性。
现实世界的实施
对有效措辞各不相同的机器翻译系统进行评分，因此 BLEU 会不公平地惩罚正确的释义
评估用新词重述源内容而不是复制短语的抽象摘要
对图像字幕模型进行基准测试，其中许多流畅的字幕描述同一张图片
当措辞不同但含义相同时，将聊天机器人或 QA 响应与黄金答案进行比较
实施模式
BERTcore 和语义评估实践
对有效措辞各不相同的机器翻译系统进行评分，因此 BLEU 会不公平地惩罚正确的释义。
对有效措辞各不相同的机器翻译系统进行评分，因此 BLEU 会不公平地惩罚正确的释义。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会得到更好的结果。
BERTcore 和语义评估实践
评估用新单词重述源内容而不是复制短语的抽象摘要。
评估用新词重述源内容而不是复制短语的抽象摘要 当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会获得更好的结果。
BERTcore 和语义评估实践
对图像字幕模型进行基准测试，其中许多流畅的字幕描述同一张图片。
对图像字幕模型进行基准测试，其中许多流畅的字幕描述同一张图片。当团队预先定义质量阈值、为边缘情况保留人工升级路径并随着时间的推移跟踪生产力增益和错误成本时，通常会得到更好的结果。
BERTcore 和语义评估实践
当措辞不同但含义相同时，将聊天机器人或 QA 响应与黄金答案进行比较。
当措辞不同但含义相同时，将聊天机器人或 QA 响应与黄金答案进行比较 当团队预先定义质量阈值、为边缘情况保留人工升级路径并跟踪一段时间内的生产力增益和错误成本时，通常会获得更好的结果。
风险与防护栏
优化一项基准测试可以隐藏更广泛的系统弱点。
基础设施和维护成本常常被低估。
随着系统变得更加复杂，安全性和可观察性差距可能会扩大。
实施路线图
在实施之前定义延迟、质量和成本目标。
在实施之前定义延迟、质量和成本目标。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在实际负载和数据条件下进行基准测试。
在实际负载和数据条件下进行基准测试。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
仪器监控错误、漂移和用户影响。
仪器监控错误、漂移和用户影响。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。
在扩展之前准备回滚和事件响应路径。
在扩展之前准备回滚和事件响应路径。将每个步骤视为证据门：如果不满足标准，则暂停推出，缩小差距，然后再扩大使用。