BLEU简介
BLEU的全名为：bilingual evaluation understudy，即：双语互译质量评估辅助工具。BLEU的设计思想是：机器翻译结果越接近专业人工翻译的结果，则越好。BLEU算法实际上在做的事：判断两个句子的相似程度。我想知道一个句子翻译前后的表示是否意思一致，显然没法直接比较，那我就拿这个句子的标准人工翻译与我的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去做判断：一句机器翻译的话与其相对应的几个参考翻译作比较，算出一个综合分数。这个分数越高说明机器翻译得越好。（注：BLEU算法是句子之间的比较，不是词组，也不是段落）
BLEU优缺点
优点
方便、快速、结果有参考价值
缺点
- 不考虑语言表达（语法）上的准确性
- 测评精度会受常用词的干扰
- 短译句的测评精度有时会较高
- 没有考虑同义词或相似表达的情况，可能会导致合理翻译被否定
常用词干扰
over-generate “reasonable”words。比如the、on这样的词，极易造成翻译评分结果很高的情况。
多元精度组合
uni-gram下的指标可以衡量翻译的充分性，n-gram下的可以衡量翻译的流畅性，建议将它们组合使用，比如加权求和平均。
译句较短惩罚
Sentence brevity penalty。在之前的评分规则中，短译句很容易得高分，所以要设计一个有效的惩罚措施去控制。
最佳匹配长度
根据译句长度和任意参考翻译的长度进行对比，增加惩罚因子。