近来，围绕着 "少样本命名实体识别"（few-shot NER）这一主题，出现了大量的工作和文献。“少样本命名实体识别”任务具有实际应用价值，也充满挑战性。但是目前鲜有专门针对该任务的基准数据，之前的大多数研究都是通过重新组织现有的有监督NER数据集，使其成为“少样本”场景下的数据集。这些策略通常旨在通过少量的例子来识别粗粒度的实体类型，而在实践中，大多数实体类型都是细粒度的。本文被ACL-IJCNLP 2021录用。
在本文中，我们发布了Few-NERD，一个大规模的人工标注的用于few-shot NER任务的数据集。该数据集包含8种粗粒度和66种细粒度实体类型，每个实体标签均为粗粒度+细粒度的层级结构，共有188,238个来自维基百科的句子，4,601,160个词，每个词都被注释为上下文（context）或一个实体类型的一部分。这是第一个few-shot NER数据集，也是最大的人工标注NER数据集之一。我们构建了具有不同侧重点的基准任务来全面评估模型的泛化能力。广泛的实证结果和分析表明，few-shot NER任务充满挑战性，亟待进一步研究。
论文名称：Few-NERD: A Few-Shot Named Entity Recognition Dataset论文作者：Ning Ding, Guangwei Xu, Yulin Chen, Xiaobin Wang, Xu Han, Pengjun Xie, Hai-Tao Zheng, Zhiyuan Liu论文链接：https://arxiv.org/abs/2105.07464网站链接：http://ningding97.github.io/fewnerd/开源链接：https://github.com/thunlp/Few-NERD
二 、问题定义：少样本命名实体识别（few-shot named entity recognition）
命名实体识别即在文本中标出实体。假设输入为 ，模型最终的输出需要给每一个词 打上一个标签 ，该标签集合 是一个给定的集合。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 和 query set，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。模型通过对support set的学习，来预测query set的标签。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。Few-NERD的实体类型是基于FIGER设计的。FIGER包含了112个实体标签类型。我们首先将这112个标签组织成8个大类，然后删掉了在FIGER中出现频率较低的类型。最后，为了标注的可行性，我们进行了预标注，将一些通过上下文难以区分的类型进行了合并，比如我们将Country, Province/State, City, Restrict 这几类合并为一类 GPE。最终我们确定了含有8个大类，66个小类的标签模式。为了使得每种类型的实体数量尽量均衡，我们收集了FIGER中每个实体类型对应的实体词典，通过远监督的方式对每个实体抽取包含该实体的10篇文章作为标注候选集。最后我们从该候选集中对每个细粒度实体类型随机抽取1000篇文章，共计66000篇文章进行人工标注，平均每篇文章包含61.3个词。标注过程中，每篇文章被分配给两个标注员进行独立标注，标注的kappa一致性为76.44%。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）。
5.2 类别之间的知识关联在小样本学习场景中，模型的知识迁移能力是十分重要的。为了挖掘在Few-NERD中各个类别之间的知识联系，我们做了相关的分析性实验。在这里，本文实现了一个BERT的基线模型（BERT+CLS），在70%的数据上进行训练，并且用10%的数据进行验证，在另外20%的数据上进行测试。对于20%的测试数据，训练的到的编码器将计算出每一个数据的上下文化实体表示（Contextualized Entity Mention Representation）。然后，对于每一个细粒度类，我们随机选取100个实例的实体表示，两两计算类别之间实体表示的点乘并且取平均值，来计算出不同类别之间的上下文相似度，以近似表示实体类别之间的关联程度。如图2所示，可以看出，大类内的实体拥有着较高的关联程度，可见跨大类的知识迁移将更加具有挑战性。
我们在Few-NERD数据集上进行了一系列实验，包括传统的有监督模式和两种few-shot模式。我们首先在传统的有监督模式上训练并测试了NER任务，数据集按照7:2:1的比例被随机划分为训练集、测试集和验证集，三个集合都包含66个实体类型。我们使用了基础的BERT模型，结果表明，即使是在有监督模式下，在拥有66个实体类型的Few-NERD数据集上完成NER任务也较为困难。少样本学习的核心在于从较少的样本中学习新的类型。因此，我们首先将含有66个标签的标签集划分为训练集、验证集和测试集，三个集合中的标签互不相等。再将数据集中的每一个句子分到它含有的实体类型所在的对应集合，且每句话只能被分到一个集合中。具体来说，如果一句话包含实体A和B，A对应的类型在训练集而B对应的类型在验证集，则该句话被随机地放入训练集或验证集中。最后，为了让模型在每个阶段只能看到该阶段相应的实体类型，我们将每个集合中不符合类型要求的实体都重新标注为上下文类型（O）。在上例中，若该句话被放入训练集，则B的标签将变为O。基于这种方法，我们划分了两类few-shot数据集。6.2.1 INTRA
INTRA模式的数据集标签是按照粗粒度划分的，即，不同集合的数据含有不同粗粒度类型的实体。为了尽量减少被重新标注为O的实体数量，我们将People, MISC, Art, Product类归为训练集，Event, Building类为验证集，ORG, LOC 类归为测试集。6.2.2 INTER
在INTER模式中，三个集合包含粗粒度类型相同但细粒度类型不同实体。训练集中大约包含60%的细粒度实体类型，测试集和验证集分别包含20%。
我们在supervised模式下训练并测试了基础的BERT模型，实验结果如下，评价指标均为实体级别。
同时，在监督学习场景下，我们还评估了每一类的F1分数以衡量不同类别的难度，如下图所示：
在两类few-shot模式下训练并测试了ProtoBERT，NNShot和StructShot模型，实验结果如下，包含了4种采样设定。
在INTER模式基础上，我们做了进一步的错误分析。Span error是以词为单位的统计，FP（false positive）表示原标签为O的词被标为某个实体类型，FN（false negative）表示原标签为某个实体类型的词被预测为O。type error是在实体span正确的基础上统计的，within表示错标为同一粗粒度类型的不同细粒度类型，outer表示错标为不同粗粒度类型。
