ROUGE・BLEU・BERTScore の評価指標の違い

テキスト生成の代表的な評価指標を押さえます。
・ROUGE: 要約評価で、参照要約との語・n-gram の重なりを数える（表面一致ベース）。
・BLEU: 機械翻訳評価で、参照訳との n-gram の一致を見る（表面一致ベース）。
・BERTScore: 生成と参照を埋め込み（ベクトル）に変換し、意味的な近さで評価する（言い換えに強い）。
表面一致の ROUGE/BLEU は言い換えに弱く、意味的な近さで評価したいときは BERTScore を使います。