如何自动计算 NER 的准确性(精度、召回率、F1)

Question

我正在使用一个NER系统，该系统将一个文本文件作为输出，其中包含命名实体的列表，这些实体是概念扬声器的实例。我正在寻找一种工具，该工具可以通过将此列表和黄金标准作为输入来计算系统的精度、召回率和 F1，其中实例使用标签正确注释<Speaker>。

我有两个 txt 文件：实例.txt和黄金标准.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为"真阳性"，最后一个句子为"误报"。

实例.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

黄金标准.txt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，人们通常测量精度，召回率和F1分数而不是准确性，而conlleval可能是计算这些指标的最常见方法：https://github.com/spyysalo/conlleval.py。不过，它还报告了准确性。

conlleval脚本将 Conll 格式文件作为输入。以你的第一句话为例：

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

其中第一列是单词，第二列是系统输出，第三列是金标。 O表示令牌不属于任何区块。后缀B-和I-表示块的开头、内部/结尾。句子使用空行分隔。

Answer 2

这完全取决于您的用例，以及您在清理/消除 ERER 输出的歧义方面所做的工作。还有加权 F1 分数;您可能更关心缺少参考文献（即想要更高的召回率）而不是误报（更高的精度）。除了其他类型的用例，你没有（发出传票或搜查令，禁止用户滥用聊天）。

sklearn.metrics.f1_score()实现加权F1。

告诉我们更多关于您的应用程序的信息：如果您错误、错误识别或混淆说话者姓名（误报），与错过有效说话人姓名（假阴性）有多糟糕？