ROUGE评价方法

关于Rouge
Rouge(Recall-Oriented Understudy for Gisting Evaluation)，是评估自动文摘以及机器翻译的一组指标。它通过将自动生成的摘要或翻译与一组参考摘要（通常是人工生成的）进行比较计算，得出相应的分值，以衡量自动生成的摘要或翻译与参考摘要之间的“相似度”。

Rouge-1、Rouge-2、Rouge-N
论文[3]中对Rouge-N的定义是这样的：

 

 

分母是n-gram的个数，分子是参考摘要和自动摘要共有的n-gram的个数。直接借用文章[2]中的例子说明一下：
自动摘要Y YY（一般是自动生成的）：

the cat was found under the bed
参考摘要，X 1 X1X1（gold standard ，人工生成的）：

the cat was under the bed

summary的1-gram、2-gram如下，N-gram以此类推：

 

 ，分子是待评测摘要和参考摘要都出现的1-gram的个数，分子是参考摘要的1-gram个数。（其实分母也可以是待评测摘要的，但是在精确率和召回率之间，我们更关心的是召回率Recall，同时这也和上面ROUGN-N的公式相同）同样，

Rouge-L
L即是LCS(longest common subsequence，最长公共子序列)的首字母，因为Rouge-L使用了最长公共子序列。Rouge-L计算方式如下图：

 

 

其中L C S ( X , Y ) LCS(X,Y)LCS(X,Y)是X和Y的最长公共子序列的长度，m,n分别表示参考摘要和自动摘要的长度（一般就是所含词的个数），R l c s , P l c s 
分别表示召回率和准确率。最后的F l c s 即是我们所说的Rouge-L。在DUC中，β 被设置为一个很大的数，所以R o u g e _ L 几乎只考虑了R l c s​
，与上文所说的一般只考虑召回率对应。

Rouge-L的改进版 — Rouge-W

 

 

Rouge-S
即使用了skip-grams，在参考摘要和待评测摘要进行匹配时，不要求gram之间必须是连续的，可以“跳过”几个单词，比如skip-bigram，在产生grams时，允许最多跳过两个词。比如“cat in the hat”的 skip-bigrams 就是 “cat in, cat the, cat hat, in the, in hat, the hat”.

多参考摘要的情况
某一个人的对谋篇文档的摘要也不一定准确，所以针对一篇文档，标准数据集一般有多个参考摘要(DUC数据集就有4个)。针对这个问题，论文作者也提出了多参考摘要的解决方案：

论文中的详细描述如下：

This procedure is also applied to computation of ROUGE-L (Section 3), ROUGE-W (Section 4), and ROUGE-S (Section 5). In the implementation, we use a Jackknifing procedure. Given M references, we compute the best score over M sets of M-1 references. The final ROUGE-N score is the average of the M ROUGE-N scores using different M-1 references.