在机器翻译任务中常用评价指标：BLEU、ROGUE、METEOR、PPL。
这些指标的缺点：只能反应模型输出是否类似于测试文本。
BLUE （Bilingual Evaluation Understudy）：是用于评估模型生成的句子(candidate)和实际句子(reference) 的差异的指标。该指标由IBM于2002年提出。该指标还适用于NLP的其他场景，如：语言生成、图像标题生成、文本生成、语音识别。
Python使用NLTK库实现BLEU的计算。
**ROGUE：**指标是在机器翻译、自动摘要、问答生成等领域常见的评估指标。ROUGE 通过将模型生成的摘要或者回答与参考答案(一般是人工生成的)进行比较计算，得到对应的得分。
Python使用rouge库实现。
METEOR:
PPL（Perplexity）：困惑度
参考文章：