摘要
过去的难点：
过去的都是粗粒度的；
Few-NERD：
一个大规模的人类注释的小样本NERD数据集，它具有8种粗粒度和66种细粒度实体类型的层次结构。Few-NERD由来自维基百科的188238个句子组成，包含4601160个单词，每个单词都被标注为上下文或两级实体类型的一部分。
Introduction
Few-NERD粗细粒度在下图中展示，其中内圈表示的是粗粒度，外圈是细粒度：
就与NERD数据集的划分类型是需要专业的人士的。而命名实体的少镜头学习研究工作主要面临两个挑战：第一，用于少样本学习的大多数数据集只有418种粗粒度实体类型，使得构建足够多的“N-way”元任务和学习相关特征变得困难。事实上，我们观察到大多数看不见的实体都是细粒度的。其次，由于缺乏基准数据集，不同作品的设置不一致，导致不清楚的比较。
该数据由188.2k个从维基百科文章中提取的句子组成，491.7k个实体；对于基准设置，我们设计了三个基于少量NERD的任务，包括一个标准监督任务（少量NERD（SUP））和两个少量快照任务（少量NERD-INTRA）和FEWNRTD（INTER））；
问题定义
NER
输入： 一个句子x=x1,x2,...,xtx = {x_1, x_2,...,x_t}x=x1,x2,...,xt
输出：对于每个xix_ixi分配yi∈Yy_i\in{Y}yi∈Y来指明标记是命名实体的一部分或者不属于任何实体（用O来表示） YYY是预定义的实体类别
Few-shot NER
Few-shot learning
在少样本的场景下，样本被按照批次（episode）组织成N-way-K-shot形式的数据。每个批次的数据又被组织成两个集合，support set 支持集Strain={x(i),y(i)}i=1N∗KS_{train} = \{x^{(i)}, y^{(i)}\}_{i=1}^{N*K}Strain={x(i),y(i)}i=1N∗K 和 query set 查询集Qtrain={x(j),y(j)}j=1N∗KQ_{train} = \{x^{(j)}, y^{(j)}\}_{j=1}^{N*K}Qtrain={x(j),y(j)}j=1N∗K，并且S∩Q=∅S\cap{Q} = \emptysetS∩Q=∅。其中support set用于学习，query set用于预测。其含义是，在每一批（episode）的support set中含有N种类型的实体，每种类型有K个实体，query set含有与support set同类型的实体。在测试过程中，所有类在训练阶段都是不可见的，并且通过使用支持集StestS_{test}Stest的少数标记示例，few-shot学习系统需要预测未标记的查询集Qtest（S∩Q=∅)Q_{test}（S\cap{Q}=∅)Qtest（S∩Q=∅)。模型通过对support set的学习，来预测query set的标签。
采样策略
由于NER是一个跟语境强相关的任务，采样通常在句子层面进行。又由于一句话中可能含有多个类型的多个实体，一般很难通过句子级别的采样严格满足N-way-K-shot的场景设定。因此，我们设计了基于贪心策略的更为宽松的采样方法。该采样方法能够将每个实体类型的数量限制在K~2K之间，即每次随机抽样一句话加入集合，计算当前集合中的实体类型数量和每个实体类型的实例数量，若它们超过N或2K，则舍弃这句话；否则，将这句话加入集合中，直到满足N个实体类型，每个类型至少K个实体为止。
数据分析
数据集大小和分布
Few-NERD是第一个为Few-shot场景设计的数据集，同时也是最大的人工标注的NER数据集之一，相关的统计如表2所示。可以看出，Few-NERD包含了18万余条句子，49万余个标注的实体，460余万个字符，并且有66个类别，显著超越了之前的基准数据集。因此，Few-NERD不光可以做Few-shot NER任务，在标准的监督学习NER任务上同样具有挑战性（见实验章节）。
)
)
