如何解释 fairseq 生成的 P 数？

Question

使用 fairseq-generate.py 和转换器架构，每次翻译都会产生一个像这样的部分：

Why is it rare to discover new marine mammal species?
S-0     Why is it rare to discover new marine mam@@ mal species ?
H-0     -0.0643349438905716     Pourquoi est-il rare de découvrir de nouvelles espèces de mammifères marins?
P-0     -0.0763 -0.1849 -0.0956 -0.0946 -0.0735 -0.1150 -0.1301 -0.0042 -0.0321 -0.0171 -0.0052 -0.0062 -0.0015

与this explanation:

H 是假设以及平均对数似然； P 是每个标记位置的位置分数，包括句尾标记

我想知道是否可以合理地说 P 行中的低（绝对）数字意味着对该特定单词的更高信心？例如。 “Pourquoi”的-0.07是否意味着它比“est-il”的（-0.1849）更快乐？末尾的低 -0.0015 意味着它确实有信心句子应该在那里结束。

背景：我正在努力解决的问题是，我是否可以使用 H 数，或者以某种方式使用单个 P 数，来获得其翻译的置信度。我一直在根据 H 编号分析一些翻译，并没有注意到它与我对翻译质量的主观看法之间有太多的对应关系。但是我有一对我认为它特别差的地方-它错过了一些关键信息-最终的P值相对较高-0.6099和-0.3091（最终的P值是-0.11左右他们中的大多数人。）

Answer 1

问：我想知道是否可以合理地说 P 行中的低（绝对）数字意味着对该特定单词的更高置信度？

• 是的。正如文档所说，“P 是每个标记位置的位置分数”。分数实际上是对数概率，因此越高（即绝对数越低）越“自信”。源代码可能不那么容易理解，但是分数是由SequenceScorer 生成的，在那里你可以看到分数被归一化（如果你使用single model，则包括log或ensemble)。而且，在打印分数的时候，他们convert them from base e to 2：

  print('P-{}\t{}'.format(
      sample_id,
      ' '.join(map(
          lambda x: '{:.4f}'.format(x),
          # convert from base e to base 2
          hypo['positional_scores'].div_(math.log(2)).tolist(),
  ))
  

问：我正在尝试解决的问题是，我是否可以使用 H 数，或者以某种方式使用单个 P 数，来获得其翻译的置信度度量。

• 原来H值只是P值的平均值，如你所见here：

  score_i = avg_probs_i.sum() / tgt_len
  

  还有converted to base 2。您可以在您的示例中进行检查：

  import numpy as np
  print(np.mean([-0.0763,-0.1849 ,-0.0956 ,-0.0946 ,-0.0735 ,-0.1150 ,-0.1301 ,-0.0042 ,-0.0321 ,-0.0171 ,-0.0052 ,-0.0062 ,-0.0015]))
  # >>> -0.06433076923076922
  

  另一个经常用于评估语言模型性能的度量是Perplexity。好在可以根据 P 值轻松计算出困惑度，如 fairseq 存储库的Language Model example 所示：

  # Compute perplexity for a sequence
  en_lm.score('Barack Obama is coming to Sydney and New Zealand')['positional_scores'].mean().neg().exp()
  # tensor(15.1474)
  

  我不是 NLP 方面的专家，所以我不能真正告诉你在你的情况下应该使用哪一个。