ROUGE（摘要評分）
/ ROOZH /
ROUGE 是摘要世界裡對應 BLEU 的角色：一個自動評分，衡量機器寫出的摘要與人工寫的參考摘要有多接近。當你要為成千上萬篇文章生成摘要時，沒法讓人把它們全評一遍，於是 ROUGE 給出一個快速、可重複的數字，用來比較不同版本、追蹤進展。這個縮寫展開是「面向召回的要旨評估替補」（Recall-Oriented Understudy for Gisting Evaluation）——「要旨」指的正是抓住主旨這件事。
BLEU 偏向精確率（機器用的詞裡，有多少出現在參考中），ROUGE 則偏向召回率（參考裡的詞，機器捕捉到了多少）——這恰好契合摘要，因為摘要最怕漏掉要緊的東西。常見的幾個變體不難想象：ROUGE-N 數重合的n元語法，ROUGE-L 則獎勵在兩段文本中以相同順序出現的最長一串詞，粗略地衡量共享的句子流。
對它衡量的東西要看得明白：它量的是與某一份特定人工摘要的詞語重合，而非忠實度或可讀性。一篇轉述得很好卻換了用詞的摘要會被不公平地扣分；一篇照搬參考措辭卻沒抓住重點的摘要則被過度獎勵。而且 ROUGE 抓不出臆造的事實——一篇自信而錯誤的摘要，只要共享了足夠多的詞，照樣能拿高分。ROUGE 是開發過程中順手的導航工具，但最終質量仍得靠人來讀一遍。
參考摘要：「The bill passed after a long debate.」機器摘要：「After much debate, the bill was passed.」ROUGE-L 看到一長串共享的詞序，便給出高分，儘管措辭被重新排過。
ROUGE-L 給兩段摘要按順序共享的最長一串詞記功。
ROUGE 偏重召回（你保住了關鍵詞嗎？），衡量的是重合度而非忠實度——它標不出臆造的事實。一篇 ROUGE 高分的摘要照樣可能是錯的。