首先统计候选译文里每个词出现的次数，然后统计每个词在参考译文中出现的次数，Max表示3个参考译文中的最大值，Min表示候选译文和Max两个的最小值。 不要被这里的连加公式给欺骗了，它将候选段落的所有n-gram进行了截断统计作为分子，分母是候选段落的n-gram的个数。 随着深度自然语言的发展，对于模型结果的评估成为限制模型迭代的瓶颈。 怎样快速的判断模型翻译语句的质量成为亟待解决的问题，本文解释了BLEU评估方法，低成本，快速的实现对模型结果的评估，从而促进模型架构的发展。 前两个求和符号和分子中的含义一样，Count(n-gram’)表示n−gram′在candidate中的个数，综上可知，分母是获得所有的candidate中n-gram的个数。 通过一次次的改进、纠正，这样的BLEU算法已经基本可以快捷地给出相对有参考价值的评估分数了。
短译句就是这样，很容易得高分，所以必须要设计一个有效的惩罚措施去控制。 一般给出的reference是4句话，之所以给出多个句子，是因为单个句子可能无法和生成的句子做很好地匹配。 上面出现的错误可以理解为常用词干扰（over-generate “reasonable”words），比如the, on这样的词，所以极易造成翻译结果低劣评分结果却贼高的情况。 比如”你好”，reference是”hello”，机器给出的译文是”how are you”，机器给出的词语每一个一个词匹配上这个reference，那么BLEU值是0，这显然是有问题的。 所以reference越多样化，匹配成功概率越高。 另外，上面我们一个词一个词的去统计，以一个单词为单位的集合，我们统称uni-grams（一元组集）。
bleu: 计算公式
做不到也不需要很精确，它只是给出了一个评判的参考线而已。 首先，定一个名词叫“最佳匹配长度”（best match length），就是，如果译句长度和任意一个参考翻译的长度相同，就认为它满足最佳匹配长度。 改进思路：对于某个词组出现的次数，在保证不大于candidate中出现的个数的情况下，然后再reference寻找词组出现的最多次。 显然，这时候选翻译的精度得分又是1（12+12）！
- 不要被这里的连加公式给欺骗了，它将候选段落的所有n-gram进行了截断统计作为分子，分母是候选段落的n-gram的个数。
- BLEU的全名为：bilingual evaluation understudy，即：双语互译质量评估辅助工具。
- 改进思路：对于某个词组出现的次数，在保证不大于candidate中出现的个数的情况下，然后再reference寻找词组出现的最多次。
- 我们这里采取几何加权平均，并且将各n-gram的作用视为等重要的，即取权重服从均匀分布。
- BLEU是做不到百分百的准确的，它只能做到个大概判断，它的目标也只是给出一个快且不差自动评估解决方案。
BLEU的全名为：bilingual evaluation understudy，即：双语互译质量评估辅助工具。 BLEU的设计思想：机器翻译结果越接近专业人工翻译的结果，则越好。 想知道一个句子翻译前后的表示是否意思一致，直接的办法是拿这个句子的标准人工翻译与机器翻译的结果作比较，如果它们是很相似的，说明我的翻译很成功。 因此，BLUE将机器翻译的结果与其相对应的几个参考翻译作比较，算出一个综合分数。 注意BLEU算法是句子之间的比较，不是词组，也不是段落。
bleu: BLEU详解
如果是这样，类似 ”the cat”两个相邻词一组就叫做bi-gram（二元组），以此类推：三元组、四元组、…、多元组（n-gram），集合变复数：n-grams。 根据n-gram可以划分成多种评价指标，常见的指标有BLEU-1、BLEU-2、BLEU-3、BLEU-4四种，其中n-gram指的是连续的单词个数为n。 事实是这样，随着n-gram的增大，精度得分总体上成指数下降的，而且可以粗略的看成随着n而指数级的下降。 我们这里采取几何加权平均，并且将各n-gram的作用视为等重要的，即取权重服从均匀分布。 BLEU是做不到百分百的准确的，它只能做到个大概判断，它的目标也只是给出一个快且不差自动评估解决方案。
