CER

定义

设参考文本共含 $N_c$ 个字符,系统输出与参考文本对齐后,替换字符数为 $S_c$、删除字符数为 $D_c$、插入字符数为 $I_c$,则字符错误率的定义为 $CER = \frac{S_c + D_c + I_c}{N_c} \times 100\%$^[3]。分母取参考文本的字符数而非系统输出的字符数,因此当系统凭空插入大量内容时,CER可以超过100%。三类错误数的统计依赖把输出序列与参考序列进行最优对齐,对齐所依据的最小操作代价即编辑距离概念^[2]。

计算口径上存在若干约定。部分定义把空格也计入字符总数,另一些评测则先剔除标点与空格再做比较,不同约定会使同一批结果得到不同数值。此外,英文等以单词为自然单位的语言通常统计单词级的替换、删除、插入,得到的是词错误率而非字符错误率,两者的表达式形式相同,区别在于统计单位^[4]。

参见

• 编辑距离 —— CER 统计三类字符错误时所依据的序列对齐方法。

• 莱文斯坦距离 —— 允许插入、删除、替换的经典编辑距离,是计算字符错误率的基础。

• 语音识别 —— 字符错误率最主要的应用领域之一。

• 词错误率 —— 与字符错误率同源、以词为统计单位的评价指标。

• 光学字符识别 —— 另一类常用字符错误率衡量识别精度的任务。