過去幾年，自然語言生成（NLG）模型得到了巨大的發(fā)展，通讀、總結(jié)文本、以及參與對話的能力都已大幅提升。

為便于研究團(tuán)隊(duì)評估不同NLG模型的性能，搜索巨頭谷歌（Google）特地提出了一個名叫BLEURT量化指標(biāo)。

通常情況下，我們可以通過人工和自動化流程來評估NLG模型，比如雙語評估學(xué)習(xí)（BLEU）。前者的缺點(diǎn)是太費(fèi)人力，后者的優(yōu)勢是具有更高的準(zhǔn)確性。

【來自：MITTechReview】

谷歌研究人員稱，BLEURT是一種針對自然語言模型（NLG）的全新自動化評估指標(biāo)，可為不同模型打出可靠的評分，結(jié)果接近、甚至超越了人類指標(biāo)。

據(jù)悉，BLEURT的核心為機(jī)器學(xué)習(xí)。對于任何ML模型，最重要的就是訓(xùn)練用的數(shù)據(jù)有多豐富。然而對于NLG模型來說，其訓(xùn)練數(shù)據(jù)是相當(dāng)有限的。

實(shí)際上，在WMTMetricsTask數(shù)據(jù)集中（目前人類匯聚的最大集合），也僅收集了涵蓋新聞領(lǐng)域的大約26萬數(shù)據(jù)。

若將之用作唯一的訓(xùn)練數(shù)據(jù)集，那WMT度量任務(wù)數(shù)據(jù)集將失去訓(xùn)練模型的通用性和魯棒性。為攻克這一問題，研究人員采取了轉(zhuǎn)移學(xué)習(xí)的方法。

首先，研究團(tuán)隊(duì)使用了BERT的上下文詞，且其已順利聚合到Y(jié)is和BERTscore等NLG量化工具中。

接著，研究人員介紹了一種新穎的預(yù)訓(xùn)練方案，以提升BLEURT的魯棒性和準(zhǔn)確度，同時有助于應(yīng)對模型的質(zhì)量偏移。

在微調(diào)人工量化標(biāo)準(zhǔn)前，BLEURT借助了數(shù)以百萬計的合成句子，對NLG模型展開了“預(yù)熱”訓(xùn)練。其通過來自維基百科的句子、加上隨機(jī)擾動來生成訓(xùn)練數(shù)據(jù)。

研究團(tuán)隊(duì)未手機(jī)人工評分，而是使用了相關(guān)文獻(xiàn)（含BLEU）中的指標(biāo)與模型集合，能夠以極低的代價來擴(kuò)大訓(xùn)練示例的數(shù)量，然后對BLEURT進(jìn)行了兩次預(yù)訓(xùn)練。

其一階段目標(biāo)是語言建模，二階段目標(biāo)則是評估NLG模型，此后團(tuán)隊(duì)在WMT指標(biāo)數(shù)據(jù)集上對模型進(jìn)行了微調(diào)。一旦受過訓(xùn)練，BLEURT就會試著與競爭方案對抗，以證明其由于當(dāng)前的指標(biāo)。

據(jù)悉，BLUERT在Python3上運(yùn)行，且依賴于TensorFlow，詳情可參閱GitHub項(xiàng)目介紹頁。有關(guān)這項(xiàng)研究的詳情，可翻看ArXiv上的預(yù)印本。

最后，研究人員還總結(jié)了其它結(jié)果，比如BLEURT試圖“捕獲表面重疊以外的NLG質(zhì)量”，該指標(biāo)在兩項(xiàng)學(xué)術(shù)基準(zhǔn)評估中獲得了SOTA的評價。