01

—

方法介紹

Few-shot NER的三階段：Train、Adapt、Recognize，即在source域訓(xùn)練，在target域的support上微調(diào)，在target域的query上測試。

如上圖，左邊（1-3）表示的是原型的loss1（訓(xùn)練目標(biāo)為各個原型分散分布），右邊（4-7）表示的是span的representation獲取，中間（8）是一個多層FFN（為了使得原型表示和span表示最終映射到同一個向量空間），中間（9-10）則是計算原型和span在同一個空間的loss2（為了使得實(shí)體span更靠近原型表示）

02

—

和過往工作相比

1、使得Adapt階段不只是通過對support集中的實(shí)體詞表示平均得到實(shí)體原型表示，而是能夠進(jìn)行finetune（文中提到Ma et al. (2022) claim that the finetuning method is far more effective in using the limited information in support sets.）

2、過往的原型網(wǎng)絡(luò)的訓(xùn)練方法使得最終的原型表示較接近，本文通過構(gòu)造loss1（上一段提到的）使得原型表示分散開

03

—

實(shí)驗(yàn)結(jié)果

這里僅挑選附錄部分的FEW-NERD實(shí)驗(yàn)結(jié)果

從實(shí)驗(yàn)結(jié)果來看，在INTRA上效果較好，在INTER上不如ESD。其中INTRA是指source和target之間的實(shí)體的粗粒度類型無交集，INTER則在粗粒度上有交集（細(xì)粒度上無交集）。（另外，2022年還有一篇SOTA文章Decomposed metalearning for few-shot named entity recognition，這里沒有進(jìn)行對比）

04

—

消融實(shí)驗(yàn)

1、使用token-level

2、缺少loss1（把原型打散的loss，方法介紹中有說）

3、使用cosine similarity而不是Euclidean distance來衡量span-prototype相似度