当前的机器学习和深度学习模型都需要大量的标注数据来进行训练，以达到一个较好的效果。但是在带 label 的训练样本很少或很难获取的情况下，直接训练模型通常不会有很好的泛化能力，反而容易造成模型对样本过拟合以及对目标任务欠拟合。针对这几个问题少样本学习（few shot learning）应运而生，少样本学习指的是在 NLP 任务中只使用少量的标记样本训练模型，使得模型可以有效的学习小样本中的信息。本文针对 NER 领域中的 few shot learning 做了一个综述。

 

论文标题：

Few-Shot Named Entity Recognition: A Comprehensive Study

论文链接：

https://arxiv.org/pdf/2012.14978.pdf

内容中包含的图片若涉及版权问题，请及时与我们联系删除