信息检索 (IR) 中的 F1 分数是一种衡量指标，用于平衡两个关键性能度量：精确率 (precision) 和召回率 (recall)。精确率衡量检索到的文档中有多少是真正相关的（例如，如果搜索返回 10 个结果，其中 8 个是正确的，则精确率为 80%）。召回率衡量总共相关的文档中有多少被成功检索（例如，如果总共有 20 个相关文档，系统找到了 10 个，则召回率为 50%）。F1 分数使用精确率和召回率的调和平均值将它们组合成一个单一值，计算公式为 2 * (精确率 * 召回率) / (精确率 + 召回率)。这会惩罚极端的不平衡情况——例如，一个精确率为 99% 但召回率为 10% 的系统会有较低的 F1 分数，突显了它未能检索到大多数相关项目的问题。
实际上，当开发者需要评估系统，而系统中的假阳性（不相关的结果）和假阴性（遗漏的相关结果）都很重要时，F1 非常有用。例如，在技术文档搜索引擎中，高精确率可确保用户不会被不相关的链接淹没，而高召回率则确保不会遗漏关键文章。假设对“JavaScript async/await”的查询检索到 15 个结果：其中 12 个是相关的（精确率 = 80%），但总共有 30 个相关文档（召回率 = 40%）。F1 分数将是 2(0.80.4)/(0.8+0.4) ≈ 0.53，反映了这种权衡。如果没有 F1，仅依赖精确率或召回率可能会误导开发者对整体有效性的判断。
然而，F1 并非普遍最优。开发者应考虑具体情境：如果一个法律搜索工具优先考虑最小化不相关的结果（高精确率），F1 可能低估了这一目标。反之，医学文献系统可能优先考虑召回率，以避免遗漏关键研究。F1 还假设精确率和召回率具有同等权重，但某些框架允许调整这种平衡（例如，Fβ 分数）。此外，F1 最适用于二元相关性（相关/不相关），并且需要标注数据来计算。尽管存在局限性，但它仍然是初步评估的标准工具，提供了一种直接的方式来比较精确率和召回率都至关重要的信息检索系统。