Few-shot Named Entity Recognition (NER)-Systeme zielen darauf ab, neue Klassen von Namengebundenen Entitäten auf Basis nur weniger gelabelter Beispiele zu erkennen. In diesem Artikel präsentieren wir einen dekomponierten Meta-Learning-Ansatz, der das Problem der Few-shot-NER sequenziell durch die Behandlung von Few-shot-Span-Detection und Few-shot-Entity-Typisierung mittels Meta-Learning angeht. Insbesondere betrachten wir die Few-shot-Span-Detection als ein Sequenzmarkierungsproblem und trainieren den Span-Detektor, indem wir den modellunabhängigen Meta-Learning-Algorithmus (MAML) einführen, um eine gute Initialisierung der Modellparameter zu finden, die sich schnell an neue Entitätsklassen anpassen lässt. Für die Few-shot-Entity-Typisierung schlagen wir MAML-ProtoNet vor, also prototypische Netzwerke, die durch MAML verbessert wurden, um einen guten Embedding-Raum zu finden, der Text-Span-Repräsentationen verschiedener Entitätsklassen besser unterscheidet. Umfassende Experimente auf verschiedenen Benchmarks zeigen, dass unser Ansatz gegenüber vorherigen Methoden eine überlegene Leistung erzielt.