概述
它修復了舊指標的一個核心盲點,該盲點會懲罰有效的釋義。
深入探討
BERTScore 透過將每個標記嵌入到 BERT 或 RoBERTa 等上下文模型中來評估生成的文本(翻譯、摘要、標題),然後透過餘弦相似度將候選標記與參考標記進行匹配。 BLEU 和 ROUGE 等較舊的指標計算重疊的 n 元語法,因此“貓在墊子上”和“貓坐在地毯上”儘管含義相同,但得分接近零。相反,BERTScore 計算貪婪標記匹配,然後聚合為精確度、召回率和 F1。由於嵌入是上下文相關的,因此不同句子中的相同單字會獲得不同的向量,從而捕捉細微差別。它與人類的品質判斷有更好的相關性,尤其是對於流暢的釋義,這就是為什麼它在 2019 年推出後成為標準語義評估工具。
現實世界的實施
對有效措辭各不相同的機器翻譯系統進行評分,因此 BLEU 會不公平地懲罰正確的釋義
評估以新詞重述來源內容而不是複製短語的抽象摘要
對圖像字幕模型進行基準測試,其中許多流暢的字幕描述同一張圖片
當措辭不同但含義相同時,將聊天機器人或 QA 回應與黃金答案進行比較
BERTcore 和語意評估的未來
語義評估正在轉向有學識和法學碩士的法官,他們評估事實性、連貫性和超越象徵相似性的有用性。 BERTScore 仍然是一個快速、可重複的基線,但 BLEURT、COMET 和“LLM-as-judge”等新方法對 BERTScore 所錯過的品質進行評分,例如幻覺事實。期待混合管道:用於大規模篩選的廉價嵌入指標,以及用於最終高風險評估的更昂貴的基於模型的評判。
付諸實踐
為什麼這很重要
- 成本與預算. 多年來,架構決策決定著效能和營運成本。
- 更明確的決策. 技術教育幫助團隊選擇正確的堆疊,而不僅僅是最新的堆疊。
- 品質管控. 更好的工程選擇可以減少生產中的可靠性事故。
留意
- 優化一項基準測試可以隱藏更廣泛的系統弱點。
- 基礎設施和維護成本常常被低估。
- 隨著系統變得更加複雜,安全性和可觀察性差距可能會擴大。
後續步驟
- 在實施之前定義延遲、品質和成本目標。
- 在實際負載和資料條件下進行基準測試。
- 儀器監控錯誤、漂移和使用者影響。
- 在擴展之前準備回滾和事件回應路徑。
不斷探索
常見問題
什麼是 BERTcore 和語義評估?
BERTScore 透過比較意義而不是確切的單字來衡量機器產生的文字與參考的匹配程度。它修復了舊指標的一個核心盲點,該盲點會懲罰有效的釋義。
BERTScore 解決了 BLEU 和 ROUGE 的哪些核心弱點?
BLEU 和 ROUGE 計算 n 元語法重疊,因此即使正確,使用不同單字的意義保留釋義得分也很低。
BERTScore 如何判定兩個 token 相似?
BERTScore 將標記嵌入到像 BERT 這樣的模型中,並使用向量空間中的餘弦相似度來比較它們。
BERTScore 嵌入是「上下文的」意味著什麼?
上下文模型在不同上下文中為同一個單字產生不同的嵌入,捕捉含義的細微差別。
BERTcore 通常會報告哪三個值?
BERTScore 將標記匹配聚合為精確度、召回率和綜合 F1 分數。
BERTcore 中可選 IDF 加權的目的是什麼?
逆文檔頻率降低了諸如“the”之類意義不大的頻繁單字的影響。