序列标注的 p、r、f 评价指标盲点

我们知道在序列标注可以做的任务中，一般有如下定义（以 NER 任务为例）：
$$\begin{gathered} tag\_num：样本实体（需要被标注）的个数 \\ pred\_num：预测中标注的实体个数 \\ correct\_num：预测正确的个数 \end{gathered}$$
而我们一般利用序列标注解决 NER 任务使用的 precision、recall、F1 评价指标的计算方法如下：
$$\begin{gathered} precision=correct\_num/pred\_num \\ recall=correct\_num/tag\_num \\ f1=(2\ast precision\ast recall)/(precision+recall) \end{gathered}$$
但是这里出现了一个问题，为了引出这个问题，先来看一下 precision 和 recall 的定义：

由定义结合一开始说的，我们可以知道
$$pred\_num=TP+FP\text{\hspace{1em}(1)}$$

$$tag\_num=TP+FN\text{\hspace{1em}(2)}$$

---

那么现在我说出问题：该如何理解序列标注完成 NER 任务时的 TP、FN、FP、TN 呢？换句话说如何理解这种情况下的正例和负例呢？

事实上在这个情况下，因为我们任务本身只预测正例，所以我们不关心反例，反例是隐性存在的，即其实没有明确的反例。

基于上述，我们预测的都是正例，那么当然 $pred\_num=TP+FP$，标签也都是正例的，所以 $tag\_num=TP+FN$。

至于 FN、FP、TN ，因为反例在这个任务中不被关注，那么这些也没有十分明确的表示（当然也是可以解释的，但是确实没有必要）。TN 无法依靠上面统计的个数算出，而 FN、FP 分别可以根据 (1)、(2) 式求出。