文本生成任务评估方法（三）：实际业务中如何评估生成模型的好坏？

在前两篇文章中，我们已经介绍了基于统计方法的文本生成评估方案、基于 bert 表征的语义匹配评估方法。但在实际业务当中，用上方法，并不能满足评估需求，业务中往往对生成的事实性有较高要求，并且希望每个用户看到的东西不一样，也就是对多样性有较高的要求。接下来，我们将介绍在实际业务中，如何评估生成模型的好坏。

多样性评估：distinct-n

应用场景

在实际应用当中，一般需要生成具有多样性的文案，保证千人千面。例如在电商中的商品标题生成、电商广告中商品文案生成，还有在智能客服场景下，如果一个问题，用户询问了好几次，如果每次回答的内容都一样，那用户体验就会很不好，如果每个轮次生成的答案不同，不仅可以解决用户的问题，也会提高在咨询过程中的满意度。

计算方法

核心思路
- 主要的想法就是判断同一个句子中，不同的 n-gram 个数，占总的 n-gram 片段的比例，这个比例越高，说明同一个句子的重复度约低；
- 不同候选集之间也可以按照如上的思路，只是这个 n-gram 片段是所有句子的 n-gram
计算方法

<math xmlns="http://www.w3.org/1998/Math/MathML"> D i s t i n c t ( n ) = C o u n t ( u n i q u e n − g r a m ) / C o u n t ( w o r d ) Distinct(n) = Count(unique n-gram)/Count(word) </math>Distinct(n)=Count(uniquen−gram)/Count(word)

其中，count(word) 表示回复中 n-gram 词语的总数量。

参考代码

ini 复制代码

def get_map(tokens, n, dicts=None):
    token_dict = {}
    if dicts is not None:
        token_dict = dicts
    
    lens = len(tokens)

    for i in range(0, lens - n +1):
        ngram_token = "".join(tokens[i:(i+n)])

        if token_dict.get(ngram_token) is not None:
            token_dict[ngram_token] += 1
        else:
            token_dict[ngram_toal] = 1
    return token_dict

def distinct_ngram(pair, n):
    ngram_toal = 0
    ngram_dsitinct = 0

    pred_dict = {}

    for pred, - in pair:
        get_map(pred, n, pred_dict)
    
    for k, v in pred_dict.items():
        ngram_toal += v
        ngram_dsitinct += 1
    
    return ngram_dsitinct/ngram_toal

# 1-gram
distict1 = distinct_ngram(lists, 1)

人工评测方法

人工评测的方法

人工评测的方法也有很多种，例如：

打分法：直接让一个标注人员根据标准打分
投票法：三个人，每个人打分后取平均
对比法：给出生成的和人工写的，让标注人员判断哪个是机器哪个是人工

人工评测标准

比起打分，大家可能更加关心"如何"打分，毕竟大家遇到比较头疼的是，好像自己也不是很确定评测的标准是什么。这里依照经验给大家一些建议，例如我们在做商品文案生成的时候，可以考虑：

人工评测维度	解释	指标(打分制度)
可读性	生成的句子不流畅、可读性较差；	0分
忠实度	生成的句子流程，无重复截断，但生成句子与输入描述不一致【输出的商品特性和输入「冲突】例如写的是高筒袜子，输出是低筒袜子；	1分
	生成句子中存在部分不实信息	2分
语法正确	生成的句子流程、无重复截断、输入输出一致，无大毛病，偶尔存在语法问题，例如鞋子适合搭配鞋子这种	3分
无事实性错误，卖点比较多	生成的句子流程、无重复截断、输入输出一致；无语法错误，无事实性错误（即不存在和商品本身特性冲突的描述）	4分
具有吸引力、有一定的创作	在4分的基础上，有一些额外信息，如更吸引人的文案、输入信息不具备的特性描述（但这些特性是正确的、符合商品客观事实的	5分

除了上面的信息，可以结合业务的特性再加入需要的评估方面

总结

至此，我们已经介绍了基于统计方法，以 BLEU为代表的统计评估方法、以 bert 表征做语义相似度评估的向量方法、多样性评估的自动化方法、还有人工评估方法。目前，机器翻译任务会看 BLEU，学术界看的比较多。在生成任务中，多样性评估、人工评估依然占据主导地位。人工评测依然有很多可以探索的点，本文给出了自己在实战中的一些经验，希望能给大家一些帮助和启发。