如何评估生成模型的多样性

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

$Distinct(n)=Count(uniquen-gram)/Count(word)$

其中，count(word) 表示回复中 n-gram 词语的总数量。

• 参考代码

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：

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。