1. 翻译系统性能评价方法
在机器翻译系统性能评估中，通常既有人工评价也有自动评价方法：
1.1 人工评价
人工评价主要关注以下几点：
- 流利度（Fluency）： 判断翻译结果是否符合目标语言的语法和习惯。
- 充分性（Adequacy）： 判断翻译是否传达了原文的全部信息。
- 评价方式： 可以通过打分（Rate）、排序（Rank）以及编辑比较（Edit & Compare）的方式进行人工评测。
1.2 自动评价指标
自动评价方法常用的包括基于字符 n-grams 的指标（如 chrF）和基于单词 n-grams 的指标（如 BLEU）。
chrF 指标
- 基本思想：
将翻译结果与参考译文在字符级别进行 n-gram 匹配，适合于捕捉词形变化（如“read”与“Reading”），适合处理小写、标点、甚至拼写错误等情况。 - 常用公式：
-
精确率（Precision）：
precision = TP / (TP + FP) -
召回率（Recall）：
recall = TP / (TP + FN) -
F-beita 分数（F_β-score）：
F β = ( ( 1 + β 2 ) ⋅ T P ) / ( ( 1 + β 2 ) ⋅ T P + β 2 ⋅ F N + F P ) F_β = ((1+β^2)·TP) / ((1+β^2)·TP + β^2·FN + FP) Fβ=((1+β2)⋅TP)/((1+β2)⋅TP+β2⋅FN+FP)
其中，beita 参数控制精确率和召回率之间的权重。例如，F2-score中 β= 2（公式：F2 = 5TP/(5TP + 4FN + FP)），而 F0-score 则相当于Precision, 当β很大的时候，相当于Recall
-
当所评估句子数量较多时，chrF 能有效反映字符级匹配情况，但当匹配以单词为单位时，可能出现“没有4-gram匹配得分为0”的情况，因此常配合其他指标综合评估。
BLEU 指标
- 基本思想：
BLEU 通过对比翻译输出与参考译文的单词 n-grams（通常计算一元、二元、三元和四元 n-grams）精确率，并取几何平均后乘以一个惩罚因子（brevity penalty）来处理生成句子较短的问题。 - 局限性：
由于BLEU只计算精确率，不考虑单词的形态变化（例如“read”和“Reading”在严格匹配时视为不同）以及上下文语序，且几何平均在数据量不足时敏感，常常无法完全反映翻译的流利性和充分性。
对比
BLEU vs. chrF
| 特征 | BLEU | chrF |
|---|---|---|
| 全称 | Bilingual Evaluation Understudy | Character n-gram F-score |
| 单位 | 基于词级别（word-level） | 基于字符级别（character-level） |
| 匹配单位 | n-gram（如词组） | 字符n-gram（如连续的字符组合） |
| 语言适用性 | 英语/法语等空格分词语言效果较好 | 对形态复杂语言（如德语、芬兰语、中文）效果更好 |
| 对词形变化的鲁棒性 | 差（如“run”和“runs”会被认为不同） | 好（字符n-gram可以捕捉到词形变化） |
| 对词序敏感 | 非常敏感 | 不那么敏感 |
| 评价精度 | 偏向于流畅性（fluency） | 更能捕捉语义和词形匹配（adequacy） |
| 惩罚机制 | 有 Brevity Penalty 惩罚过短的句子 | 没有专门惩罚机制 |
| 实现工具 | NLTK、SacreBLEU | 官方工具：chrF++，也在 SacreBLEU 中支持 |
2. Tokenisation 的基本概念与问题
Tokenisation（分词或词元化）指的是将一段文本切分为基本单元（token），如单词、标点符号或子词单元。传统方法多采用基于空格分割，但存在以下问题：
2.1 基于空格分词的局限性
- 简单的空格分割：
通常将文本按照空格拆分出各个 token，此方法对于英文等基于空格分词的语言基本适用。但在实际情况中会遇到：- 缩写问题： 如 “won’t” 表示 “will not”，空格分词时可能作为一个整体或拆分为 “won” 和 “'t”。
- 标点处理： 如 “great!” 中的感叹号有可能被保留或删除，不同工具处理方式不一致。
- 罕见词或变体： 如 “taaaaaaasty” 可能有多种变体，直接按空格分割，无法解决拼写变化或冗余重复问题。
- 拼写错误或新词： 如 “laern” （原意 learn）和 “transformerify” 这样的新造词也会被简单拆分，而无法充分捕捉原有语义。
2.2 Tokenisation 帮助处理罕见词等问题
通过更细粒度的分词方法，可以减少由于拼写错误、变形或新词带来的问题。例如，将长词拆成子词单元，可以使得词形变化不至于使整个单词无法识别。
- 实例：
- “laern” 拆分为 “la##”, “ern”。
这样一来，即使遇到拼写错误或不常见的词，模型也能通过子词组合部分捕捉到词语的语义，从而提高整体泛化能力。
- “laern” 拆分为 “la##”, “ern”。
3. 子词分割策略与方法
为了更好地处理词形变化、罕见词及新词，现有许多基于子词单位的分词算法。主要包括以下三类：
3.1 Byte-Pair Encoding (BPE)
BPE 的基本算法步骤为：
- 初始化词汇表：
将词汇表设置为所有单独的字符。 - 查找频率最高的相邻字符对：
遍历语料，找出最常在一起出现的两个字符或子词。 - 合并：
将这一对合并，生成一个新的子词单位，并更新整个语料中的分词表示。 - 检查词汇表大小：
如果词汇表大小未达到预设目标（例如 100,000），则返回步骤2继续合并，直到达到要求。
这种方法简单高效，常用于许多现代 NLP 框架中。
假设我们现在的训练语料有以下 4 个词：
1. low
2. lower
3. newest
4. widest
初始我们会把每个词都拆成字符 + 特殊结束符号 </w>来防止词和词连接在一起：
l o w </w>
l o w e r </w>
n e w e s t </w>
w i d e s t </w>
🔁 步骤 0：统计所有字符对频率
从上面所有词中，统计所有相邻字符对的频率（包括 </w>）：
| Pair | Count |
|---|---|
| l o | 2 |
| o w | 2 |
| w | 1 |
| w e | 1 |
| e r | 1 |
| r | 1 |
| n e | 1 |
| e w | 1 |
| w e | 1 |
| e s | 2 |
| s t | 2 |
| t | 2 |
| w i | 1 |
| i d | 1 |
| d e | 1 |
注意：
w e出现了两次（一次是 “lower”，一次是 “newest”）；e s、s t和t </w>是在 “newest” 和 “widest” 中反复出现的。
🔨 步骤 1：合并频率最高的字符对
我们假设 s t 是当前频率最高的（2 次）。那我们合并 s t → st。
现在变成：
l o w </w>
l o w e r </w>
n e w e st </w>
w i d e st </w>
🔁 步骤 2：重新统计字符对频率
重新统计所有字符对（只列几个）：
| Pair | Count |
|---|---|
| l o | 2 |
| o w | 2 |
| e st | 2 |
| st | 2 |
| … | … |
我们发现 e st 和 st </w> 又很频繁 → 合并 e st → est
🔨 步骤 3：合并 e st → est
结果：
bashCopyEditl o w </w>
l o w e r </w>
n e w est </w>
w i d est </w>
你看，“newest” 和 “widest” 的后缀变成了统一的 est，这就是 BPE 的威力！
🔁 再来几轮（每次合并频率最高的）
假设继续合并：
| Round | 合并操作 | 影响 |
|---|---|---|
| 4 | l o → lo | 得到 lo w |
| 5 | lo w → low | 得到完整词 low |
| 6 | e r → er | 合并 “lower” 的尾部 |
| 7 | w e → we | 合并 “newest” 的 “we” 部分 |
| 8 | we + r → wer | 可得 “lower” 更完整 |
每合并一次，词汇表中就新增一个子词（如 low、est、er 等），最终我们就有一个子词词表，用于之后的分词。
✅ 最终效果（假设分词完成后）：
| 原始词 | 分词结果 |
|---|---|
| low | low |
| lower | low + er |
| newest | new + est |
| widest | wid + est |
这样，即使将来出现一个从没见过的词，比如 bravest，我们也可以分成：
brav + est
🧠 总结亮点
- BPE 把频繁出现的字符组合合并成更长的单元；
- 最终词汇表里既有完整词（如
low），也有子词（如est,er）； - 能处理拼写变化、形态变化、新词；
- 是 GPT、BERT、RoBERTa、T5 等模型使用的标准方法。
3.2 WordPiece
WordPiece 最早由 Google 提出，其主要步骤与 BPE 类似，但在合并步骤中使用更复杂的决策标准：
- 训练一个 n-gram 语言模型，
并考虑所有可能的词汇对，选择那个加入后能最大程度降低困惑度perplexity的组合； - HuggingFace 实现的 WordPiece 则有时选择使得合并后 token 的概率比例满足某个公式，例如选择使得
“|combined| / (|first symbol| * |second symbol|)” 最大的词对。
这种方法可在一定程度上更好地平衡子词与完整词的表达效果。
✂️ 分词示例（WordPiece）
以 playing 为例，假设词表中包含：
[ "play", "##ing", "##er", "##est", "##s" ]
那 playing 会被分为：
play + ##ing
再比如 unbelievable：
如果词表中有：
["un", "##believable", "##able", "##lievable", ...]
则可能被分为：
un + ##believable
（如果没有 “believable”，那就会继续拆成 ##believe + ##able）
🎯 WordPiece 构建流程（简要）
- 初始化词表：包含所有单字符 token（如 a, b, c,…）；
- 基于最大似然概率计算所有可能合并的对；
- 每轮合并一对，使得整体训练语料的似然性最大；
- 直到词表达到预设大小（如 30,000 个 token）为止；
这比 BPE 更慢，但能得到更“语言合理”的子词。
🔍 分词过程总结
WordPiece 是一种贪心最长匹配算法，遵循以下原则：
- 从词首开始；
- 找到最长可匹配的 token（如 “unbelievable” → “un”）；
- 然后从该点继续向右，查找
##前缀的匹配； - 直到整个词完成或无法继续拆分；
🧠 举个例子（完整流程）
假设词表里有：
["un", "##believe", "##able", "##believable"]
处理 unbelievable：
unbelievable→un+##believable
再处理 unbelievably：
如果 ##ly 也在词表中，就可以是：
un+##believable+##ly
如果 ##believable 不在词表中：
- 尝试
un+##believe+##able
✅ 总结
BPE 看频率，WordPiece 看语言模型概率。
WordPiece 更“聪明”，但 BPE 更“高效”。它们都用来解决“词太多”和“未知词”的问题。
WordPiece vs. BPE 的区别
| 特性 | BPE | WordPiece |
|---|---|---|
| 合并策略 | 每次合并频率最高的 pair | 每次合并带来最大 语言模型概率提升 的 pair |
| 评分标准 | 纯粹基于频率 | 基于最大似然估计（MLE） |
| 分词方式 | 贪心从左到右合并 | 也使用贪心，但遵循“最大匹配”原则 |
| 应用例子 | GPT、RoBERTa、OpenNMT | BERT、ALBERT、DistilBERT 等 |
| 词边标记 | 可无（GPT类） | 用 ## 表示词中间部分（如 play ##ing） |
3.3 Unigram / SentencePiece
Unigram 模型（或称 SentencePiece）采取另一种策略，不是从最小单元不断合并，而是：
- 初始化：
从所有字符以及语料中频率较高的连续字符序列（甚至包括完整单词）构建一个较大的初始词汇表； - 精简：
通过一种复杂的概率模型和迭代过程，逐步删除贡献较小的词汇项，直到词汇表达到预期大小。
这种方法的优势在于能够同时考虑大单元和小单元的信息，从而得到更优的子词表示。
用 Unigram 分词 internationalization
假设词表中有：
["international", "##ization", "inter", "##national", "##ize", "##ation", "##al", "##i", "##zation"]
Unigram 会考虑所有可能组合：
- international + ization
- inter + national + ization
- inter + nation + al + ization
- …
对每个组合计算 概率乘积（P(a) × P(b) × P© …），然后选取概率 最大的组合方式。
比如：
international + ization → P1
inter + national + ization → P2
inter + nation + al + ization → P3
选取 max(P1, P2, P3) 那个组合。
3.4 各方法的比较
- BPE： 简单、直接，广泛应用，合并依据频率；
- WordPiece： 考虑对语言模型困惑度的影响，通常效果更好，但实现较复杂；
- Unigram/SentencePiece： 允许初始词汇同时包含较大和较小单元，通过概率模型精简词汇，具有更大的灵活性。
Unigram vs. BPE/WordPiece
| 特性 | Unigram（SentencePiece） | BPE | WordPiece |
|---|---|---|---|
| 分词方式 | 选择概率最高的子词组合（非贪心） | 左到右合并字符对（贪心） | 贪心最长匹配 |
| 词表生成方式 | 预设大词表 → EM算法删掉低概率的子词 | 每轮合并频率最高的 pair | 每轮合并最大增益的 pair |
| 分词结果是否唯一 | ❌ 可能多个组合概率差不多 | ✅ 唯一贪心路径 | ✅ 贪心最长匹配 |
| 优点 | 更灵活，能找到最优子词拆法 | 简单快速 | 精确但复杂 |
| 模型代表 | ALBERT, XLNet, T5, mBART, SentencePiece | RoBERTa, GPT, MarianMT | BERT, DistilBERT |
| 特殊符号 | 不需要空格、可直接处理未空格文本 | 需提前空格/处理标记 | 通常需要空格 |
4. 特殊常见词（例如“the”）的处理
在分词和词嵌入训练中，常见词（如 “the”、“is”、“and” 等）通常出现频率极高，这会带来两个问题：
- 模型训练时的影响：
高频词容易主导模型权重，导致训练过程中对低频实义词的信息关注不足。为此，许多方法会在训练时对这些高频词进行下采样（sub-sampling），降低它们在训练中的出现频率。 - 评价指标的匹配：
在翻译评价、自动摘要或其他生成任务中，通常不希望因为 “the” 这种功能词的不同写法（例如大小写问题）产生低分。在实际 tokenisation 中，往往会将所有单词统一小写，或者对停用词单独处理，从而确保这些高频但语义信息较弱的词对整体模型影响较小。
例如，在 BLEU 计算中，尽管 “read” 和 “Reading” 在大小写和形态上有所不同，但通常在预处理阶段会进行小写化；而在子词分割中，“the” 可能不再被拆分，因为它本身已经十分常见而且具有固定形式。因此，“the” 通常被保留为一个完整的 token，同时在训练和评价中通过下采样等方式控制其权重。
5. 实际案例补充
假设我们有一段英文文本作为翻译系统的输入与参考译文，并希望利用自动评价指标来评估翻译质量，同时考虑分词细节：
案例 1：翻译评价中 chrF 指标计算
- 参考译文： “I like to read too”
- 机器译文： “Reading, I too like”
- 处理流程：
-
分词：
利用子词分割策略处理标点和缩写，确保“Reading”可以与“read”在字符 n-gram 层面匹配。 -
计算字符 n-gram 匹配：
对机器译文和参考译文分别计算字符 n-grams，再计算精确率和召回率。 -
Fbeita 分数计算：
-
结果说明：
通过字符匹配，可以部分容忍由于词形变化（例如 “read” 与 “Reading”）而带来的微小差异。
-
案例 2：使用 BPE 处理新词
假设文本中出现一个新词 “transformerify”，传统的词汇表中可能未收录。通过 BPE 分词过程：
- 初始化：
将 “transformerify” 拆分为单个字符，即 [“t”, “r”, “a”, “n”, “s”, “f”, “o”, “r”, “m”, “e”, “r”, “i”, “f”, “y”]。 - 迭代合并：
统计在整个语料中最频繁出现的相邻字符对，如果 “er” 出现次数最多，则将“e”与“r”合并为 “er”。不断进行，直到达到预定词汇大小。 - 结果：
最终可能将 “transformerify” 分割为 “transforme” 和 “##ify”，使得即使新词未见过，也能利用已有的子词表示捕捉部分语义。
