ROUGE（摘要评分）
/ ROOZH /
ROUGE 是摘要世界里对应 BLEU 的角色：一个自动评分，衡量机器写出的摘要与人工写的参考摘要有多接近。当你要为成千上万篇文章生成摘要时，没法让人把它们全评一遍，于是 ROUGE 给出一个快速、可重复的数字，用来比较不同版本、追踪进展。这个缩写展开是「面向召回的要旨评估替补」（Recall-Oriented Understudy for Gisting Evaluation）——「要旨」指的正是抓住主旨这件事。
BLEU 偏向精确率（机器用的词里，有多少出现在参考中），ROUGE 则偏向召回率（参考里的词，机器捕捉到了多少）——这恰好契合摘要，因为摘要最怕漏掉要紧的东西。常见的几个变体不难想象：ROUGE-N 数重合的n元语法，ROUGE-L 则奖励在两段文本中以相同顺序出现的最长一串词，粗略地衡量共享的句子流。
对它衡量的东西要看得明白：它量的是与某一份特定人工摘要的词语重合，而非忠实度或可读性。一篇转述得很好却换了用词的摘要会被不公平地扣分；一篇照搬参考措辞却没抓住重点的摘要则被过度奖励。而且 ROUGE 抓不出臆造的事实——一篇自信而错误的摘要，只要共享了足够多的词，照样能拿高分。ROUGE 是开发过程中顺手的导航工具，但最终质量仍得靠人来读一遍。
参考摘要：「The bill passed after a long debate.」机器摘要：「After much debate, the bill was passed.」ROUGE-L 看到一长串共享的词序，便给出高分，尽管措辞被重新排过。
ROUGE-L 给两段摘要按顺序共享的最长一串词记功。
ROUGE 偏重召回（你保住了关键词吗？），衡量的是重合度而非忠实度——它标不出臆造的事实。一篇 ROUGE 高分的摘要照样可能是错的。