概述
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 和語意評估是一個技術構建塊，會大規模影響模型品質、基礎設施成本、延遲和可靠性。
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。
技術洞察
每個 token 都有一個上下文嵌入； BERTScore 在候選標記和參考標記之間建立相似性矩陣，然後貪婪地將每個標記與其最高相似度的伙伴進行匹配。召回率將參考標記與候選者匹配，精確度與另一個方向匹配，F1 將它們組合起來。可選的逆文檔頻率加權可以降低“the”等常見單字的權重。分數通常會根據基線重新調整，因此值分佈在可用範圍內，而不是聚集在 0.85 附近。
掌握 BERTcore 和語意評估
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 和語意評估是一個技術構建塊，會大規模影響模型品質、基礎設施成本、延遲和可靠性。為了建立深入的理解，請將 BERTScore 和語義評估視為一種操作模型，而不是單一功能：定義期望的結果，澄清假設，並將系統可以可靠地執行的操作與仍需要專家判斷的操作分開。
在實踐中，強大的團隊使用 BERTScore 和語義評估來根據可靠性和成本優化架構、資料和基礎設施選擇。他們記錄明確的成功標準，根據實際數據和工作流程進行測試，並根據觀察到的失敗模式而不是一次性基準測試勝利進行迭代。這就是理論理解轉變為跨產品、政策和營運的持久能力的地方。
多年來，架構決策決定著效能和營運成本。同時，優化一個基準測試可以隱藏更廣泛的系統弱點。最具彈性的方法是將實驗速度與治理規則結合：運行試點、捕獲證據、發布決策日誌，並隨著模型行為、使用者期望和監管要求的發展不斷更新保障措施。
戰略影響
多年來，架構決策決定著效能和營運成本。
多年來，架構決策決定著效能和營運成本。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
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。
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。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
更好的工程選擇可以減少生產中的可靠性事故。
更好的工程選擇可以減少生產中的可靠性事故。在高品質部署中，這會轉化為可衡量的操作規則、所有權邊界和定期審查儀式，以便團隊可以增強信心，而不是擴大模糊性。
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
實施模式
BERTcore 和語義評估實踐
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。
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。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會得到更好的結果。
BERTcore 和語義評估實踐
評估以新單字重述來源內容而不是複製短語的抽象摘要。
評估以新詞重述來源內容而不是複製短語的抽象摘要 當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會獲得更好的結果。
BERTcore 和語義評估實踐
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。
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。當團隊預先定義品質閾值、為邊緣情況保留人工升級路徑並隨著時間的推移追蹤生產力增益和錯誤成本時，通常會得到更好的結果。
BERTcore 和語義評估實踐
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。
當措辭不同但含義相同時，將聊天機器人或 QA 響應與黃金答案進行比較 當團隊預先定義質量閾值、為邊緣情況保留人工升級路徑並跟踪一段時間內的生產力增益和錯誤成本時，通常會獲得更好的結果。
風險與防護欄
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。
實施路線圖
在實施之前定義延遲、品質和成本目標。
在實施之前定義延遲、品質和成本目標。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
在實際負載和資料條件下進行基準測試。
在實際負載和資料條件下進行基準測試。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
儀器監控錯誤、漂移和使用者影響。
儀器監控錯誤、漂移和使用者影響。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。
在擴展之前準備回滾和事件回應路徑。
在擴展之前準備回滾和事件回應路徑。將每個步驟視為證據門：如果不符合標準，則暫停推出，縮小差距，然後再擴大使用。