Image captioning评价方法之ROUGE-L

2022-03-16 本文已影响0人 ce0b74704937

文章地址：ROUGE: A Package for Automatic Evaluation of Summaries

代码地址(非官方)：https://github.com/tylin/coco-caption

文章由University of Southern California发表在2004ACL上。

ROUGE为 Re�call-Oriented Understudy for Gisting Evaluation的缩写。文章ROUGE提出了用来评价文本摘要算法的评价集，里面包含了四个评价算法，分别为ROUGE-N、ROUGE-L、ROUGE-W、ROUGE-S。在image-captioning中采用了其中的ROUGE-L评价方法。

一、LCS的定义

在解释ROUGE-L之前，先解释一下LCS(Longest Common Subsequence)的含义。

当有一个序列 $Z=[z_1, z_2, ..., z_n]$ ，对于另一个序列 $X=[x_1, x_2, ..., x_m]$ ，存在关系 $x_{i_j}=z_j$ ，那么就称Z为X的子序列。其中 $[i_1, i_2, ..., i_k]$ 为增序的索引，且 $j=1, 2, ..., k$ 。

二、Sentence-Level LCS

LCS想表达的意思是，如果两个摘要句子的LCS越大，那么两个摘要就越相似。基于这种思考本文提出基于LCS的F-measure。F-measure作为评测指标在很多任务中都有用到，它是准确率和召回率的hmean，也称为调和平均数。

对于一个长度为m的reference summary sentence X和一个长度为n的candidate summary sentence Y，基于LCS的F-measure计算方法如下：

$R_{lcs}=\frac{LCS(X,Y)}{m}$

$P_{lcs}=\frac{LCS(X,Y)}{n}$

$F_{lcs}=\frac{(1+\beta^2)R_{lcs}P_{lcs}}{R_{lcs}+\beta^2P_{lcs}}$

上式中，LCS(X,Y)表示X和Y的最大公共子字符串(LCS)的长度， $\beta$ 是一个超参数。

使用LCS作为计算评测的方法由两个优势：

不用像n元组(n-gram)那类的方法，只关心连续的字符串匹配
不用像n元组那类方法，需要设置n的大小

三、image captioning中的ROUGE-L

由于image captioning中一张图片生成的一个描述 $Y_i$ ，但是一张图片的参考描述存在多个 $X_{ij}$

那么对于一张图片描述的评价结果计算如下：

$R_{lcs_i}=max_j\frac{LCS(X_{ij},Y_{i})}{m_j}$

$P_{lcs_i}=max_j\frac{LCS(X_{ij},Y_{i})}{n_i}$

$F_{lcs_i}=\frac{(1+\beta^2)R_{lcs_i}P_{lcs_i}}{R_{lcs_i}+\beta^2P_{lcs_i}}$

其中 $n_i$ 为 $Y_{i}$ 的长度（包含的单词数），即 $n_i=len(Y_{i})$ ，同理 $m_j=len(X_{ij})$ ， $max_j$ 为生成的描述在不同参考描述下求得的结果取最大值。注意对于 $Y_i$ 取得 $R_{cls_i}$ 和 $P_{cls_i}$ 时， $max_j$ 中的j可以不相同。

对于一个待评测集合来说，最终的ROUGE-L为所有的 $F_{lcs_i}$ 求平均得到。

Image captioning评价方法之ROUGE-L

一、LCS的定义

二、Sentence-Level LCS

三、image captioning中的ROUGE-L

猜你喜欢

热点阅读