面试题：评估指标详解——NLP 常用评估指标、BLEU、ROUGE、BLEU 和 ROUGE 区别全解析
1. 为什么“评估指标”是大模型面试里的高频题？
1.1 面试官真正想听的，不只是定义
很多人一看到“评估指标”就开始背 Accuracy、Precision、Recall、F1、BLEU、ROUGE，但如果只是把名词丢出来，回答往往会显得很散。面试官真正想听的是：你知不知道不同任务该看什么指标，以及这些指标分别在衡量什么。
所以，这道题最好的答法不是平铺罗列，而是先按任务分类，再重点展开 BLEU 和 ROUGE。这样逻辑会非常清楚。
2. NLP 任务中常用的评估指标有哪些？
2.1 文本分类最常见：Accuracy、Precision、Recall、F1
文本分类是最基础的一类 NLP 任务，比如情感分类、主题分类、垃圾短信识别等。这里最常见的指标就是 Accuracy、Precision、Recall 和 F1。
Accuracy 看的是整体预测正确的比例；Precision 强调“模型说是正类的有多准”；Recall 强调“真正的正类抓住了多少”；F1 则是 Precision 和 Recall 的平衡。
2.2 序列标注常见：Precision、Recall、F1
像命名实体识别、分词、槽位抽取这类序列标注任务，通常也看 Precision、Recall 和 F1。不过要注意，很多时候看的是“实体级”指标，而不是单个字或单个 token 的逐点准确率。
2.3 生成任务常见：BLEU、ROUGE、Perplexity
像机器翻译、文本摘要、对话生成、文本改写等任务，分类指标就不够用了，因为答案不一定只有一个。这时更常见的是 BLEU、ROUGE 这类基于参考答案重合度的自动指标，另外语言模型还会常看 Perplexity。
2.4 问答和检索任务常见：EM、F1、MRR、MAP、Hit@K
问答任务常看 Exact Match 和 F1，检索任务常看 MRR、MAP、Hit@K、Recall@K，这些指标关注的是“正确答案是否找到了”和“是否排得足够靠前”。
3. BLEU 指标是什么？
3.1 BLEU 的出发点
BLEU 最早主要用于机器翻译自动评价。它的基本思路非常直观：如果一个候选译文和人工参考译文在很多局部片段上都很相似，那么它大概率翻译得还不错。
3.2 BLEU 到底在看什么？
BLEU 会比较候选文本和参考文本在 1-gram、2-gram、3-gram、4-gram 这些层面上的重合。简单理解，1-gram 看单词有没有重合，2-gram 看连续两个词组成的片段有没有重合，更高阶的 n-gram 则看更长的局部结构是否相似。
3.3 为什么大家总说 BLEU 更偏 Precision？
因为 BLEU 更像在问：你写出来的这些内容里，有多少和参考答案对得上。也就是说，它更关注“候选结果的局部内容准不准”，而不是“参考答案的重要内容有没有全部覆盖到”。
3.4 BLEU 为什么还要加长度惩罚？
如果不惩罚长度，模型完全可以投机：只生成几个特别稳妥、和参考答案肯定重合的短词，依然可能拿到还不错的重合分。为避免这种“偷懒写太短”的情况，BLEU 会加入长度惩罚。
3.5 BLEU 的优点和局限
BLEU 的优点是自动化、便宜、速度快，非常适合批量评测。它的局限是：如果模型输出和参考答案语义相同，但换了一种不同表达方式，BLEU 分数不一定高，因为它本质上仍然比较依赖表面片段重合。
4. ROUGE 指标是什么？
4.1 ROUGE 的出发点
ROUGE 最早主要用于自动摘要评价。它的核心问题是：系统生成的摘要，到底覆盖了多少参考摘要中的重要内容？
因此，ROUGE 虽然和 BLEU 一样也会看重合度，但它在理解上更偏向“覆盖率”。
4.2 常见 ROUGE 变体有哪些？
最常见的是 ROUGE-1、ROUGE-2、ROUGE-L。ROUGE-1 看单词层面的重合，ROUGE-2 看连续两个词片段的重合，ROUGE-L 则看最长公共子序列，更强调整体顺序和结构相似性。
4.3 为什么说 ROUGE 更偏 Recall？
因为它更像在问：参考摘要里的关键信息，你到底覆盖了多少。如果生成摘要覆盖得更全，ROUGE 往往会更高。这和 BLEU 更关心“你写出来的内容准不准”是不同的。
4.4 ROUGE 的优点和局限
ROUGE 非常适合做摘要任务的自动评测，也是论文里非常常见的指标。但它和 BLEU 一样，也受表面词重合限制，无法完整替代人工对可读性、事实性和信息价值的判断。
5. BLEU 和 ROUGE 有什么不同？
5.1 场景不同
BLEU 最早更常用于机器翻译，ROUGE 最早更常用于自动摘要。虽然现在两者都可能出现在更广泛的生成任务里，但各自的“老本行”不同。
5.2 关注重点不同
BLEU 更偏 Precision，关注候选文本写出来的内容有多像参考答案；ROUGE 更偏 Recall，关注参考答案的重要内容覆盖了多少。
5.3 变体和使用习惯不同
BLEU 常按 BLEU-1 到 BLEU-4 来看，并常带长度惩罚；ROUGE 常看 ROUGE-1、ROUGE-2、ROUGE-L。
5.4 真正高质量的回答应该怎么说？
最好的答法是：先说两者都属于基于参考答案重合度的自动评测指标；再说 BLEU 偏翻译、偏 Precision，ROUGE 偏摘要、偏 Recall；最后补一句它们都不能完全替代人工评价。这样既全面又有层次。
6. 除了 BLEU、ROUGE，还有哪些 NLP 指标也值得知道？
如果面试官进一步追问，你还可以补充：NER 等序列标注常看实体级 F1；问答常看 EM 和 F1；检索排序常看 MRR、MAP、Hit@K；语言模型常看 Perplexity。
7. 面试高频追问，建议这样回答
7.1 NLP 任务中常用的评估指标有哪些？
答：要按任务来看。文本分类常看 Accuracy、Precision、Recall、F1；序列标注常看实体级 Precision、Recall、F1；机器翻译常看 BLEU；文本摘要常看 ROUGE；问答常看 EM 和 F1；检索任务常看 MRR、MAP、Hit@K 等。
7.2 介绍一下 BLEU 指标
答：BLEU 是一种常用于机器翻译的自动评测指标，核心是比较候选文本和参考文本在不同阶 n-gram 上的重合程度。它更偏 Precision，并带有长度惩罚，用来避免模型只输出过短结果。
7.3 ROUGE 指标之间的区别是什么？
答：ROUGE-1 看单词重合，ROUGE-2 看连续 2-gram 重合，ROUGE-L 看最长公共子序列，更强调整体顺序和结构。
7.4 BLEU 和 ROUGE 有什么不同？
答：两者都基于参考答案重合度，但 BLEU 更偏 Precision，更常用于机器翻译；ROUGE 更偏 Recall，更常用于文本摘要。BLEU 常带长度惩罚，ROUGE 常看 1、2、L 三种变体。
8. 总结：讲清“任务—指标—含义—区别”，这道题就不难
如果把这道题浓缩成一句话，那就是：评估指标要按任务来看，分类任务看 Accuracy、Precision、Recall、F1，机器翻译常看 BLEU，文本摘要常看 ROUGE；BLEU 更偏 Precision，ROUGE 更偏 Recall。
真正高质量的回答，不是把名词背一串，而是能讲清每个指标在衡量什么、适合什么任务、和相近指标有什么区别，再补一句它们都不能完全替代人工评价。这样逻辑就会非常完整。
附：30 秒面试快答模板
“NLP 常用评估指标要按任务来看。分类任务常看 Accuracy、Precision、Recall、F1；序列标注常看实体级 F1；生成任务里，机器翻译常看 BLEU，文本摘要常看 ROUGE；问答常看 EM 和 F1，检索任务常看 MRR、MAP。BLEU 和 ROUGE 都基于参考答案重合度，但 BLEU 更偏 Precision，更常用于翻译，还带长度惩罚；ROUGE 更偏 Recall，更常用于摘要，常见有 ROUGE-1、ROUGE-2、ROUGE-L。”