请说明文本的多标签分类和多分类的区别，并写出机器翻译任务中评价指标BLUE、ROUGE-n、BERTSCORE的计算公式，并说明公式中符号的意义

文本的多标签分类和多分类的区别在于标签的数量。在多分类任务中，每个样本只有一个正确的标签，而在多标签任务中，每个样本可能有多个标签。

机器翻译任务中的评价指标 BLUE、ROUGE-n 和 BERTSCORE 的计算公式及符号意义如下：

1. BLUE（Bilingual Evaluation Understudy）

BLUE 是机器翻译任务中最常用的评价指标之一，用于评估机器翻译输出结果与参考翻译之间的相似度。其计算公式为：

$$
BLUE = \frac{\sum_{i=1}^n \text{match}_i}{\sum_{i=1}^n \text{output}_i}
$$

其中，$n$ 表示 n-gram 的最大值，match 表示机器翻译结果和参考翻译中相同的 n-gram 的数量，output 表示机器翻译结果中 n-gram 的数量。

2. ROUGE-n（Recall-Oriented Understudy for Gisting Evaluation）

ROUGE-n 也是机器翻译任务中常用的评价指标之一，用于评估机器翻译输出结果与参考翻译之间的相似度。与 BLUE 不同的是，ROUGE-n 使用的是召回率作为评价指标。其计算公式为：

$$
ROUGE\text{-}n = \frac{\sum_{r\in R}\sum_{n\in r} \text{count}_\text{match}(n,r)}{\sum_{r\in R}\sum_{n\in r} \text{count}(n)}
$$

其中，$R$ 表示参考翻译集合，count(match) 表示机器翻译结果和参考翻译中相同的 n-gram 的数量，count 表示参考翻译中 n-gram 的数量。

3. BERTSCORE

BERTSCORE 是一种最新的评价指标，基于 BERT 模型计算机器翻译结果和参考翻译之间的相似度。其计算公式为：

$$
BERTSCORE(P, R) = \text{exp}\left(\frac{1}{N}\sum_{i=1}^N \max_{j=1}^M \text{sim}(p_i, r_j)\right)
$$

其中，$P$ 表示机器翻译结果，$R$ 表示参考翻译，$N$ 表示 $P$ 中句子的数量，$M$ 表示 $R$ 中句子的数量，sim 表示 BERT 模型计算的句子相似度。