ROUGE（Recall-Oriented Understudy for Gisting Evaluation）は、候補要約と参照要約の重なり具合を測る指標群です。ROUGE-1/ROUGE-2 は n-gram の再現率（recall）、ROUGE-L は最長共通部分列（LCS）の長さに基づきます。

主なバリエーション #

• ROUGE-1 / ROUGE-2: 1-gram・2-gram の再現率を計算。抽出型要約や重要語の取りこぼし確認に向く。
• ROUGE-L: 最長共通部分列（LCS）の長さを参照長で割ってスコア化。語順の情報を活かせる。
• ROUGE-Lsum: 文単位の LCS を平均化。長文要約の評価で使われることが多い。

from rouge_score import rouge_scorer
scorer = rouge_scorer.RougeScorer(["rouge1", "rouge2", "rougeLsum"], use_stemmer=True)
candidate = "今日はとても良い天気だ"
reference = "今日は良い天気です"
print(scorer.score(reference, candidate))

長所 #

• 計算が軽く、複数の派生指標を同時に算出できる。
• 人手評価（recall）との相関が比較的高い。
• 抽出型要約や文章の情報量を確認する用途で定番。

注意点 #

• 意味的な類似性を考慮しないため、言い換えで品質が変わってもスコアが低下する。
• 参照要約が 1 つだけだと、候補の多様性を正しく評価できないことがある。
• 日本語では形態素解析やサブワード分割を行ってから計算するとスコアが安定しやすい。