问如何正确计算命名实体识别系统的平均F1分数、精确性和召回率？

EN

我用Apache uimaFIT和DKPro构建的命名实体识别(NER)管道在文本(例如人员、位置、组织等)中识别命名实体(目前称为数据类型)。

我有一个黄金语料库和一个结果语料库，我想计算精度，回忆和F1评分。到目前为止，我计算这些指标如下：

1. Calculate precision, recall and F1 score from TP, FP and FN per datatype per document
2. Average precision, recall and F1 score per datatype for all documents

在表中，您可以在相应的数据类型行中看到步骤2的结果。

关于第二步:我认为计算F1分数的方法既不是宏观的，也不是微观的。我以宏的方式计算精度和回忆(如解释的这里)。但我并不将F1分数计算为平均精度和回忆的调和平均值(宏方法)，而是将所有文档的每一种数据类型的平均F1评分计算出来。与目前我所做的方式相比，我的宏观F1得分得到了更高的结果。

问:对于每一种数据类型，计算平均F1分数的正确方法是什么？这两种方式对我来说都是正确的。请给出你答案的来源。