、

Few-shot Named Entity Recognition with Self-describing Networks

是在few shot NER 的label semanic的基础上，做的改进，前者是利用BIO标签中的NER type，将其转为semantic 的表示。与sentence部分做dot product,生成NER的label。

论文核心

这篇文章是做的改进，提出了实体概念中间层，作为entity type的依据。
模型是：seq2seq，端到端的生成模型。

作者认为在FS-NER中，fewshot-NER任务中，存在两种问题，一是limited information challenge，指从小样本数据中，获取的知识是有限的，二是，knowledge mismatch knowledge，即不同知识库中对于同一个实体的标注会存在冲突的情况。文中举例是：“America” is geographic entity in Wikipedia, GPE in OntoNotes, and location in WNUT17

作者，认为，所有的实体类型可以使用概念集来描述，这种方式具有通用性，同一份概念集可以解决不同的实体类型。当小样本时，可以通过该建立新的类型和概念集之间的关系，解决limit knowledge 问题。

模型架构

SD-Net，是一种seq2seq的结构，需要融合相同实体类型的mention的concept，产生concept集合。
识别实体，是通过concept-enriched-prefix prompt。prompt中包含了目标实体类型和concept描述。
上述所有任务均在单一模型中建模，通过前缀提示机制区分不同任务，使模型可控、通用、可连续训练。

两个生成任务，一是mention describe，产生mention的concept，前缀是【MD】；二是entity generation，产生mention的entity和type，前缀是【EG】。

Mention Describing.
输入：sentence
产出：e1 is l1, e2 is l2,…
其中，l1,l2,l3是entity mention ei 映射的semantic concept
Type Description Construction.
输入：type description+sentence
产出：e1 is e1type,e2 is e2type

过滤策略

用于description部分。
由于下游新类别的多样性，SDNet 可能没有足够的知识来描述其中一些类别，因此强制 SDNet 描述它们可能会导致描述不准确。为了解决这个问题，文中引入了一种过滤机制，使 SDNet 能够拒绝生成不可靠的描述。具体来说，SDNet 被训练为生成其他作为那些不确定实例的概念描述。给定一种新的类别和一些说明性实例，将从这些实例的概念描述中计算other类别的频率。如果在说明性实例上生成other的频率大于0.5，我们将删除类型描述，直接使用类别名称作为P_{EG}。

数据集

triples, where e is entity mention, T is entity types and
X is sentence
来源：维基百科
实体类型：“instance of”, “subclass of” and “occupation”

数据集筛选过滤条件：. all entity types except whose instances are <5. For the types whose names are longer than 3 tokens, we use their head words as the final type

1. each mention, we identify its entity types by linking it to its
Wikidata item’s types

2. This paper uses the collected entity types above as concepts Given an entity type, we collect all its co-occurring entity types as its describing concepts。可以理解为如下，选择共现的实体类型作为描述概念。比如，Person can
   be described as {businessman, CEO, musician,
   musician…} by collecting the types of “Steve
   Jobs”: {person, businessman, CEO} and
   “Beethoven”: {person, musician, pianist}

损失函数计算

CE loss

实体识别finetune

给定标注的元祖，首先构建不同entity type 的description，之后，构建实体生成的prompt，Peg,然后，产生序列yf
.
优化函数：

消融实验

（1）有无description. {[EG] person; location; . . . }
(2)两个generation任务，是否joint实施的
（3）有无filter。在description任务中，是否设置了other。

论文在zero-shot实验中，

提出，融合手工制作的description可以提高zero-shot的性能。

总结

这篇文章扩展了concept集合（之前可能是直接以label作为concept的），也提出了concept集合的构建方式，相比于直接label semantic的方式，语义表达能力可能更强。