问你能解释一下你是如何计算基线和自定义BLEU分数的吗？

EN

我理解标记化标准对一个人获得的BLEU分数至关重要，但我不理解的是，为什么当我比较基线BLEU分数或自定义BLEU分数时，会得到不一致的差异。让我解释一下。

例如，我最近训练了一个英语-丹麦语自定义模型，训练集约为300k个片段，测试集约为2k个片段。完成后，我得到了基线的bleu分数为34,63和自定义的bleu分数为48,3。为了仔细检查这些分数，我重新计算了从自定义翻译器门户网站下载的模型“系统测试结果”的bleu分数，使用Moses tokenizer.perl和mult-bleu.perl，使用基线模型我得到的bleu分数为34,16，但是使用自定义模型我得到了41,57。

你如何解释，使用基线模型我得到的分数与我从Microsoft获得的分数非常相似，但是使用自定义模型我得到的分数比我从Microsoft获得的分数低大约7分。丹麦的情况只是一个例子，但这是我在其他几种语言中观察到的行为。