<?xml version="1.0" encoding="UTF-8"?>
<rss version="2.0">
    <channel>
        <title>نوشته های Seyed Hessam Mireshgholah</title>
        <link>https://virgool.io/feed/@shessam</link>
        <description>MSc student at AUT | ceit.aut.ac.ir/~shessam</description>
        <language>fa</language>
        <pubDate>2026-06-10 15:23:59</pubDate>
        <image>
            <url>https://files.virgool.io/upload/users/46531/avatar/zwkJWe.png?height=120&amp;width=120</url>
            <title>Seyed Hessam Mireshgholah</title>
            <link>https://virgool.io/@shessam</link>
        </image>

                    <item>
                <title>معرفی معیار ارزیابی ROUGE برای خلاصه‌سازی متون</title>
                <link>https://virgool.io/@shessam/%D9%85%D8%B9%D8%B1%D9%81%DB%8C-%D9%85%D8%B9%DB%8C%D8%A7%D8%B1-%D8%A7%D8%B1%D8%B2%DB%8C%D8%A7%D8%A8%DB%8C-rouge-%D8%A8%D8%B1%D8%A7%DB%8C-%D8%AE%D9%84%D8%A7%D8%B5%D9%87%D8%B3%D8%A7%D8%B2%DB%8C-rng1y84ubfpy</link>
                <description>ابزار ROUGE از جمله معروف‌ترین ابزار‌های ارزیابی در خلاصه‌سازی خودکار می‌باشد. از آن در کاربردهای پردازش زبان طبیعی و بازیابی اطلاعات استفاده شده است. ROUGE مخفف Recall-Oriented Understudy for Gisting Evaluation به &quot;معنای ارزیابی مبتنی بر یادآوری برای خلاصه&quot; می‌باشد. این ابزار معیارهایی برای ارزیابی خلاصه‌سازی خودکار متن‌ها، مثل ترجمه ماشین را دارد. با مقایسه‌ی خلاصه‌های استخراجی (خلاصه‌های تولیدشده به صورت خودکار) و خلاصه‌های چکیده‌ای (خلاصه‌های تولیدشده توسط انسان) ارزیابی انجام می‌شود. مثال‌ برای خلاصه‌‌ استخراجی و خلاصه‌ی چکیده‌ای را در زیر می‌بینیم:خلاصه‌ی استخراجی:the cat was found under the bedخلاصه‌ی چکیده‌ای:the cat was under the bedاگر هر کلمه را به تنهایی در نظر بگیریم، در این صورت کلمات مشترک بین خلاصه‌ی استخراجی و خلاصه‌ی چکیده‌ای، ۶ کلمه می‌باشد. اما این کلمات مشترک به تنهایی معیار ارزیابی نمی‌باشد پس بهتر است از معیارهایی مثل Precision و Recall استفاده کنیم. معیار‌های Precision و Recall در ROUGEمعیار Recall به صورت زیر محاسبه می‌گردد:محاسبه‌ی Recall برای مثال مطرح شده:معیار Precision به صورت زیر محاسبه می‌گردد:محاسبه‌ی Precision برای مثال مطرح شده:حال اگر برای همین مثال خلاصه‌ی استخراجی به صورت زیر باشد:the tiny little cat was found under the big funny bed دقت به صورت زیر محاسبه می‌شود:معیار ارزیابی ROUGE-Nاین معیار براساس مقایسه‌ی Nتایی مشترک کلمات بین خلاصه‌‌ استخراجی و خلاصه‌ی چکیده‌ای می‌باشد. به عنوان مثال از ROUGE-1 و ROUGE-2 به ترتیب برای مقایسه‌ی یک‌تایی و دوتایی مشترک کلمات بین خلاصه‌‌‌ی استخراجی و خلاصه‌ی چکیده‌ای استفاده می‌شود.خلاصه‌ی استخراجی با ROUGE-2:the cat,
cat was,
was found,
forund under,
under the,
the bedخلاصه‌ی چکیده‌ای با ROUGE-2:the cat,
cat was,
was under,
under the,
the bedمحاسبه‌ی Precision و Recall با ROUGE-2براساس دوتایی بالا، Recall به صورت زیر محاسبه می‌شود:براساس دوتایی بالا، Precision به صورت زیر محاسبه می‌شود: </description>
                <category>Seyed Hessam Mireshgholah</category>
                <author>Seyed Hessam Mireshgholah</author>
                <pubDate>Tue, 09 Jul 2019 20:34:22 +0430</pubDate>
            </item>
            </channel>
</rss>