ROUGE: A Package for Automatic Evaluation of Summaries

ROUGE: A Package for Automatic Evaluation of Summaries

原文地址

时间:2004

Intro

ROUGE的衡量方向是candidate相对reference的recall值

ROUGE-N: N-gram Co-Occurrence Statistics

ROUGE: A Package for Automatic Evaluation of Summaries
其中n是n-gram的长度,Countmatch(gramn)Count_{match}(gram_n)Countmatch​(gramn​)是n-gram同时出现在candidate和reference中的最大次数,ROUGE-N之所以是recall-related,是因为分母是所有出现在reference中的n-gram总数,而不是出现在candidate中的,注意两个点

  • 加入reference summaries时,分母会变大,这是合理的因为可能有多个不同的candidate??
  • 分子是在所有reference summaries上计算的,因此出现在多个reference summary中的n-gram权值会更大,这是合理的,因为这样的candidate与reference的consensus更相似

当一个candidate对多个reference的时候,ROUGE-N计算candidate与每个reference配对的最大值
ROUGE: A Package for Automatic Evaluation of Summaries
实现中我们使用Jackknifing procedure,对于M个reference,计算每组M-1个reference中的最大ROUGE-N,然后将这M个值加起来取平均

ROUGE-L:Longest Common Subsequence

Z=[z1,z2,...,zn]Z=[z_1,z_2,...,z_n]Z=[z1​,z2​,...,zn​]是X=[x1,x2,...,xm]X=[x_1,x_2,...,x_m]X=[x1​,x2​,...,xm​]的子列,当存在一个严格递增的序列[i1,i2,...,ik][i_1,i_2,...,i_k][i1​,i2​,...,ik​],使得对于所有jjj,有xij=zjx_{i_j}=z_jxij​​=zj​,最长子列(Longest common subsequence)LCS就是两个字符序列的最长的公共子列

Sentence-level LCS

用LCS来度量,我们先将summary sentence视作词序列,直观的想法是如果两个summary sentence的LCS越长它们就越相似,对于长m的reference XXX和长n的candidate YYY,我们提出了基于LCS的F度量如下
ROUGE: A Package for Automatic Evaluation of Summaries
其中β=Plcs/Rlcs\beta=P_{lcs}/R_{lcs}β=Plcs​/Rlcs​,这就是ROUGE-L,当X=Y时ROUGE-L=1,当LCS(X,Y)=0时,ROUGE-L=0

ROUGE-L的优点有两个

  • 不需要连续的词相同,而是子列相同即可
  • 自动求出最大的n-gram而无需预先定义n

对于下面这个例子,ROUGE-L可以捕捉到句子的结构
ROUGE: A Package for Automatic Evaluation of Summaries
S1是reference,S2、S3是candidate,ROUGE-2会给它们打一样的分,因为它们的2-gram词出现的次数一样,但是ROUGE-L则可以发现句子中的主被动关系,给S2打更高的分(…敢和ROUGE-3对比吗)

ROUGE-L的缺点是只计算最长的子列,其他长度的公共序列都与最终评分无关,比如
ROUGE: A Package for Automatic Evaluation of Summaries
ROUGE-L只算这两个长度为2的公共子列中的一个

Summary-Level LCS

在Summary-level中,我们取每句reference sentence rir_iri​和每句candidate sentence cjc_jcj​的LCS并集,给定一个包括u句话总计m个词的reference summary,和包括v句话总计n个词的candidate,summary-level的 ROUGE-L计算如下
ROUGE: A Package for Automatic Evaluation of SummariesROUGE: A Package for Automatic Evaluation of Summaries
其中LCSULCS_ULCSU​表示reference rir_iri​和candidate summary C的最长子列的并集,比如ri=w1w2w3w4w5r_i=w_1w_2w_3w_4w_5ri​=w1​w2​w3​w4​w5​,c1=w1w2w6w7w8c_1=w_1w_2w_6w_7w_8c1​=w1​w2​w6​w7​w8​,c2=w1w3w5c_2=w_1w_3w_5c2​=w1​w3​w5​,则rir_iri​和c1c_1c1​的最长子列是w1w2w_1w_2w1​w2​,与c2c_2c2​的最长公共子列是w1w3w5w_1w_3w_5w1​w3​w5​,则LCSU(ri,C)LCS_U(r_i,C)LCSU​(ri​,C)就是4

ROUGE-W:Weight Longest Common Subsequence

ROUGE-L有这样的缺点
ROUGE: A Package for Automatic Evaluation of Summaries
ROUGE: A Package for Automatic Evaluation of Summaries
X是reference时,Y1和Y2有一样的ROUGE-L分数,但显然,更连续的Y1应当是更好的选择,为了 改进ROUGE-L,我们引入Weight LCS,为连续的子列打更高的分数,具体方法详见论文

ROUGE-S:Skip-Bigram Co-Occurrence Statistics

skip-bigram是一句话中任意两个有序的词,它们之间可以间隔任意长,基于skip-bigram的ROUGE-S计算如下
ROUGE: A Package for Automatic Evaluation of Summaries
其中C是组合函数,相比与ROUGE-L来说,ROUGE-S能捕捉所有有序的两个词,为了避免匹配一些相隔过长而无意义的词比如"the the",可以设置最长间隔,此时相应的分母也要按照这个最长距离来计算

ROUGE-SU:Extension of ROUGE-S

ROUGE-S的缺点之一就是当skip-bigram不存在时,candidate的得分是0,因此ROUGE-SU在ROUGE-S的基础上,加上了对单个词的考虑

结论

Idea

  • 类似BLEU的n-gram co-occurrence统计方法可以被用来评估生成句的好坏
上一篇:关于寻找海王id的算法伪代码分析思路


下一篇:Raft协议