DNN聊天机器人的性能指标？

Question

我想评估pretrained chatbot models的性能，它们基于Vinyals和Le的Neural Conversational Model。我研究了诸如BLEU或困惑之类的错误指标；但是，我觉得这里没有意义，因为没有可以比较的“地面真理”。该聊天机器人旨在进行闲聊，而不是翻译文本，进行问题解答等。

我找到了this question，但很遗憾，它没有得到回答。