如何自动计算NER的准确度（精度，召回率，F1）？

Question

我正在使用一个NER系统，它为输出提供一个文本文件，其中包含一个命名实体列表，这些实体是概念Speaker的实例。我正在寻找一种工具，可以计算系统的精度，召回率和F1，将此列表作为输入，并使用标签<Speaker>正确注释实例的黄金标准。

我有两个txt文件：Instances.txt和GoldStandard.txt。我需要将提取的实例与黄金标准进行比较，以便计算这些指标。例如，根据第二个文件，第一个文件中的前三个句子是True Positive，最后一个句子是False Positive。

instances.txt包含：

is sponsoring a lecture by <speaker> Antal Bejczy from
announces a talk by <speaker> Julia Hirschberg
His name is <speaker> Toshiaki Tsuboi He will
to produce a schedule by <speaker> 50% for problems

Gold Standard.text包含：

METC is sponsoring a lecture by <speaker> Antal Bejczy from Stanford university
METC announces a talk by <speaker> Julia Hirschberg
The speaker is from USA His name is <speaker> Toshiaki Tsuboi He will              
propose a solution to these problems
It led to produce a schedule by 50% for problems

Answer 1

对于NER结果，人们通常测量精确度，召回率和F1分数而不是准确度，而且可能是计算这些指标的最常见方式：https://github.com/spyysalo/conlleval.py。它还报告了准确性。

conlleval脚本将conll格式文件作为输入。以你的第一句为例：

METC    O   O
is  O   O
sponsoring  O   O
a   O   O
lecture O   O
by  O   O
Antal   B-speaker   B-speaker
Bejczy  I-speaker   I-speaker
from    O   O
Stanford    O   O
university  O   O

第一列是单词，第二列是系统输出，第三列是金标。 O表示令牌不属于任何块。后缀B-和I-意味着一个块的开头，内部/结尾。句子用空行分隔。

Answer 2

这完全取决于您的用例，以及您在清理/消除NER输出方面所做的工作量。还有weighted-F1 score;你可能更关心缺失的参考文献（即想要更高的召回率）而不是假阳性（更高的精确度）。除了可能用于其他类型的用例（发出传票或权证，禁止用户滥用聊天）。

sklearn.metrics.f1_score()实施加权F1。

告诉我们你的应用程序的更多信息：如果你误解，误识别或混淆说话者姓名（假阳性），错过有效的（假阴性），会有多糟糕？