Image captioning评价方法之Meteor

项目地址：http://www.cs.cmu.edu/~alavie/METEOR/

代码地址（非官方实现，实现的是项目地址中的1.5版本）：https://github.com/tylin/coco-caption

项目由CMU提供，项目地址包含了代码和最新版本以及之前老版本的meteor评价算法。

下面记录一下最初版也就是《The Meteor Metri for Automatic Evaluation of Machine Translation》的计算思路。

首先说明一下常用的BLEU的缺点，BLEU评价方法的缺点有如下几点：

1. 没有采用recall指标，虽然引入了brevity penalty因子来约束生成句子的长度，但是还是没法弥补缺失recall的缺陷
2. 使用高阶的n元组（即采用较大的n）来判断句子的语法和流畅性。文章猜想，只要采用合适的匹配方式，只使用unigram也可以很好的体现句子语法和流畅性。
3. 采用n元组的几何平均数来计算。几何平均数中只要有一个值为0，那么结果就为0，所以这种计算方式不太可靠。

文章从常用的BLEU评价指标入手，解决BLEU的缺点。

一、Meteor的单词匹配规则

文章简单的将hypothesis和reference translation进行单词与单词之间的匹配，如果reference存在多个，那么就取匹配结果最好的那个。

对于Meteor的匹配，文章有下面几个规则说明：

1. 如果单词与单词完全相同，那么两个单词就是匹配上了
2. 如果两个单词的词根（即不包含时态和单复数情况）相同，那么两个单词就算匹配上了
3. 如果两个单词是同义词（对于英语来说，同义词有WordNet提供），那么两个单词就算匹配上了

匹配过程中，一个单词最多与另一个单词匹配，不能同时匹配两个单词。如果匹配过程中存在多种匹配结果，那么选择匹配图中交叉数较少的那个。拿wiki上的例子来说，如下图所示：

可以看出结果是选择交叉数较小的那个，即上面那个匹配结果。

由于匹配与否有三个规则来判断，且匹配过程中已匹配的单词不能与其他单词进行匹配，所以匹配规则的执行是有顺序的，文章就是采用上述的1，2，3的顺序执行的，即先匹配完全相同的单词，然后是词根相同的，最后是同义词。

二、Meteor的计算方式

定义m为hypothesis和reference匹配到的总对数，hypothesis的长度为t，reference的长度为r，那么准确率计算方式为 P = m / t P=m/t P=m/t，召回率计算方式为 R = m / r R=m/r R=m/r，F值的计算方式为 F m e a n = P ⋅ R α ⋅ P + ( 1 − α ) ⋅ R F_{mean}=\frac{P\cdot R}{\alpha\cdot P +(1-\alpha)\cdot R} Fmean​=α⋅P+(1−α)⋅RP⋅R​。

上式中只利用了单词之间的匹配，为了考虑到词与词之间的顺序，文章引入了fragmentation penalty。如果两句子中，互相匹配的单词都是相邻的，那么它们就定义为同一块（chunk），计算总的块的个数ch。将frag定义为 f r a g = c h / m frag=ch/m frag=ch/m。那么fragmentation penalty定义为 P e n = γ ⋅ f r a g β Pen=\gamma\cdot frag^\beta Pen=γ⋅fragβ。

值 γ \gamma γ为惩罚的力度，是一个超参数，取值范围为 0 ≤ γ ≤ 1 0\leq \gamma\leq 1 0≤γ≤1。 β \beta β也是一个超参数。

最终的Meteor计算方式为:

s c o r e = ( 1 − P e n ) ⋅ F m e a n score=(1-Pen)\cdot F_{mean} score=(1−Pen)⋅Fmean​

wiki列举了几个计算的例子，如下图所示

对于一个数据集的Meteor的计算，上述的 m 、 t 、 r 、 c h m、t、r、ch m、t、r、ch是从所有的测试数据统计得到的。