在翻译语义相似度（Translation Semantic Similarity）和会议摘要相似度（Meeting Summary Similarity）等任务中，通常会根据任务的目标和输出形式，将其划分为三类常见的任务类型：
1. 分类任务
定义：
将样本划分到有限个离散类别中的任务。
应用于相似度任务中的形式：
判断两个文本是否“语义相似”或“不相似”。
举例：
输入 A 和 B → 输出：相似（1）或不相似（0）
或输出：高相似（2）、中等（1）、低（0）
特点：
输出是离散的标签
常见指标：Accuracy（准确率）、Precision（精确率）、Recall（召回率）、F1 分数
示例应用：
判断会议摘要是否忠实于原文内容
翻译句子是否语义上与原文一致（合格 / 不合格）
2. 回归任务
定义：
输出一个连续的实数，用于表示程度或评分。
应用于相似度任务中的形式：
给出两个文本之间的相似度分数（如 0~5 分）
举例：
输入 A 和 B → 输出：相似度为 4.3 分
特点：
输出是连续数值
常见指标：MSE（均方误差）、MAE（平均绝对误差）、Pearson/Spearman 相关系数
示例应用：
翻译语义相似度评估（如 MLQE，Multilingual Quality Estimation）
会议摘要与原始会议记录之间的相似度打分（如 1~5）
3. 生成任务（生成任务不是直接评估相似度，而是作为中间步骤）
定义：
模型直接生成文本作为输出。
流程
输入句子 A
用生成模型生成句子 B'（例如摘要或翻译）
将 B' 与目标文本 B 比较：
BERTScore(B', B)
ROUGE(B', B)
COMET(B', B)
得到一个相似度得分
应用于相似度任务中的形式：
生成一段新的摘要或翻译
生成一个与原句相似的句子，用于语义对齐
特点：
输出是自然语言文本
常见指标：BLEU、ROUGE、BERTScore、ChrF、COMET、BLEURT、GEM等
示例应用：
自动生成会议摘要，并与人工摘要进行比较
生成更高质量的翻译文本进行相似性验证
小结对比表：
| 特性/任务类型 | 分类任务 | 回归任务 | 生成任务 |
|---|---|---|---|
| 输出类型 | 离散标签 | 连续数值 | 自然语言文本 |
| 应用示例 | 相似/不相似判断 | 相似度打分 | 摘要或翻译文本生成 |
| 评估指标 | Accuracy, F1 等 | MSE, Pearson | BLEU, ROUGE, BERTScore 等 |
| 使用模型 | 分类器（如BERT+MLP） | 回归模型 | Seq2Seq, Transformer, T5 等 |
在翻译语义相似度 / 会议摘要相似度评估任务中怎么选？
| 任务 | 常用形式 | 推荐任务类型 |
|---|---|---|
| 翻译语义相似度 | 预测翻译是否语义一致 | 分类 / 回归 |
| 会议摘要相似度 | 比较摘要与原文的忠实度、相关性 | 回归 或 分类 或 生成 |
如做质量维度评估（如 Coherence、Consistency、Fluency、Relevance），建议采用回归任务来对每个维度进行打分（如 1~5 分），也可以使用分类任务对每个维度进行高/中/低判断。如果生成摘要或自动改写翻译，就是生成任务。