BLEU-4

BLEU-4是NLP中机器翻译/⽂本摘要等生成类任务常⽤的评价指标，是将模型生成结果和标注结果分别按1-gram、2-gram、3-gram、4-gram拆分后，计算出的加权平均精确率（n-gram 指⼀个语句⾥⾯连续的n个单词组成的⽚段）。BLEU-4值的范围通常在0到1之间，越接近1表示机器翻译结果与参考翻译之间的相似度越高。

ROUGE-1

ROUGE-1 是NLP中机器翻译/⽂本摘要等生成类任务常⽤的评价指标，是将模型生成结果和标注结果按1-gram拆分后，计算出的召回率（n-gram 指⼀个语句⾥⾯连续的n个单词组成的⽚段）。

召回率衡量了模型生成结果中有多少与标注结果匹配的内容，即生成的词语有多少出现在标注结果中。ROUGE-1 是 ROUGE 系列指标中最基础的一个，也是最简单的一个，但仍然是评估生成型任务性能的重要参考指标之一。

通过计算 ROUGE-1 可以评估模型在单个词（unigram）层面上的匹配情况，帮助衡量自动生成的文本与参考文本之间的相似度和质量。如：ROUGE-2、ROUGE-L

F1分数

F1 分数是一个常用的评估指标，主要用于衡量二分类模型（例如文本分类、图像分类等）的性能。它结合了模型的精确率（Precision）和召回率（Recall）两个指标，提供了一个综合评估模型性能的指标。

精确率和召回率可以根据下面的定义计算：

精确率 = TP / (TP + FP)
召回率 = TP / (TP + FN)

其中，TP（True Positive）代表真阳性，预测为正类并且实际为正类的样本数量；FP（False Positive）代表假阳性，预测为正类但实际为负类的样本数量；FN（False Negative）代表假阴性，预测为负类但实际为正类的样本数量。

F1 分数可以通过精确率和召回率的加权调和平均计算得到：

F1 = 2 * (精确率 * 召回率) / (精确率 + 召回率)

F1 分数的取值范围是 0 到 1，数值越接近 1 表示模型性能越好。它能同时考虑模型的准确性和覆盖率，因此适用于不平衡类别分布的情况。

总之，F1 分数是一个综合考虑了模型的精确率和召回率的评估指标，可以用于评估二分类模型的性能。