From the SVM output we collect per-

From the SVM output we collect per-topic as well as
per-sentence precision and recall to compute macro- (pertopic)
and micro-averaged (per-sentence) precision, recall
and F1 measures. We also compute the ROUGE measure
for the coverage of the automatic summary with respect to
the human model extracts. ROUGE is recall-oriented, based
on n-gram overlap, and correlates well with human evaluations
[6]. The DUC data set provides human model extracts
for summaries of length 200 and 400 words.

ผลลัพธ์ (ไทย) 1:

จาก SVM ที่ออกเรารวบรวมสำหรับแต่ละหัวข้อเป็น
ต่อประโยคความแม่นยำและเรียกคืนการคำนวณโค- (pertopic)
ความ แม่นยำ averaged ไมโคร (ต่อประโยค) การเรียกคืน
และมาตรการ F1 เรายังคำนวณวัดแดง
สำหรับความครอบคลุมของการสรุปอัตโนมัติด้วย respect การ
แยกแบบมนุษย์ แดงจะเรียกคืนแปลก ตาม
n กรัมทับซ้อน และสัมพันธ์กับมนุษย์ประเมินดี
[6] ชุดข้อมูลดักให้สารสกัดจากมนุษย์รุ่น
สำหรับสรุปความยาว 200 และ 400 คำ

ผลลัพธ์ (ไทย) 2:

จากการส่งออก SVM ที่เราเก็บรวบรวมต่อหัวข้อรวมทั้ง
ความแม่นยำต่อประโยคและจำการคำนวณแมโคร (pertopic)
และไมโครเฉลี่ย (ต่อประโยค) ความแม่นยำเรียกคืน
และมาตรการ F1 นอกจากนี้เรายังคำนวณวัด ROUGE
สำหรับการรายงานข่าวของการสรุปอัตโนมัติที่เกี่ยวกับ
สารสกัดจากรูปแบบของมนุษย์ ROUGE คือเรียกที่มุ่งเน้นตาม
ที่ n-กรัมที่ทับซ้อนกันและมีความสัมพันธ์ดีกับการประเมินผลของมนุษย์
[6] ข้อมูลชุด DUC ให้สารสกัดจากรูปแบบของมนุษย์
สำหรับบทสรุปของความยาว 200 และ 400 คำพูด

ผลลัพธ์ (ไทย) 3:

จาก SVM ผลผลิตเราเก็บต่อหัวข้อรวมทั้ง
ต่อประโยคและเรียกคืนความหาแมโคร - ( pertopic )
และไมโครเฉลี่ย ( ต่อประโยค ) แม่นยำ จำได้
และมาตรการรถสูตรหนึ่ง เรายังหารูจวัด
สำหรับความครอบคลุมของการสรุปอัตโนมัติ ด้วยความเคารพ

แบบมนุษย์ สารสกัด สีแดงคือการเรียกคืนที่มุ่งเน้นตาม
บน n-gram ทับซ้อนกัน และมีความสัมพันธ์กับมนุษย์การประเมินผล
[ 6 ] และชุดข้อมูลให้คนรุ่นดึกสกัด
สำหรับสรุปของความยาว 200 และ 400 คำ