对话系统的评分标准

task-oriented：人工评分的监督数据，

开放式对话系统：使用word-embedding based similarity metrics来判断

具体来说有一下几种：

BLEU

METEOR

ROUGE

Embedding-Based

RUBER（17年）：在train的时候使用ground truth和训练结果对比，进行pooling处理得到最小和最大值contat。然后使用cos 。

                在test的时候使用query和answer通过矩阵变换，得到一个数值。觉得这个方法还挺有意思的。