摘要
少样本命名实体识别（Few-shot Named Entity Recognition, NER）任务旨在利用有限的训练样本，从不同领域中识别并分类实体，长期以来被视为知识图谱（Knowledge Graph, KG）构建的基础步骤。尽管该任务已取得诸多进展并展现出优异的性能，但现有方法通常将实体识别的两个子任务——即实体跨度检测（span detection）与类型分类（type classification）——视为相互独立的问题，忽视了二者之间的内在关联性与整体一致性。此外，先前的方法往往难以充分捕捉实体的粗粒度特征，导致实体类型语义表示的不足。为此，本文提出一种基于多任务学习的分层增强原型网络（Hierarchical Enhancing ProtoNet, HEProto），旨在联合学习上述两个子任务，并显式建模其内在关联。具体而言，我们引入对比学习机制，以增强跨度边界信息以及类型语义表示的区分能力。进一步地，设计了一种分层原型网络结构，在类型分类阶段充分利用实体的粗粒度信息，从而帮助模型更有效地学习细粒度的语义表示。在此基础上，我们构建了一种相似性边界损失（similarity margin loss），用以降低细粒度实体与无关粗粒度原型之间的相似度，提升分类的判别性。在 Few-NERD 数据集上的大量实验结果表明，所提出的 HEProto 方法显著优于现有的主流基线方法。相关源代码已开源，可访问 https://github.com/fanshu6hao/HEProto。