1.一种融合实体标签编码的小样本学习命名实体识别方法，其特征在于，包括以下步骤：步骤(1)构建数据集，数据集中包含若干样本以及对应样本标注的实体标签；

步骤(2)使用Bert将输入句子中的每个字符进行字嵌入转化，得到字符特征序列；

步骤(3)利用CLN将步骤(2)的字符特征序列表示成词对特征矩阵V，同时计算各个字符之间的距离表示成距离特征矩阵Ed，以及一个上下三角区域特征矩阵Et，将三个特征矩阵的特征进行拼接得到词对关系特征矩阵C；

步骤(4)将每个实体标签进行自然语言的转换，再使用Bert对这些标签进行编码，得到每个实体标签的特征表示L；

步骤(5)对于词对关系特征矩阵C中的每个词对关系特征表示，与每个实体标签的特征表示计算点积相似度，得到每个词对与每个实体标签的转移概率矩阵；

步骤(6)用标注样本对步骤(2)‑步骤(5)组成的模型进行训练，选取最优模型作为最终的预训练模型；

步骤(7)载入预训练模型，标注样本进行小样本学习，将句子输入到训练好的模型中，输出词对关系矩阵Y，对词对关系矩阵进行解码，得到最终的实体词及其类型。

2.根据权利要求1所述的一种融合实体标签编码的小样本学习命名实体识别方法，其特征在于，所述步骤(2)具体实现过程如下：使用Bert将输入句子中的每个字符进行字嵌入转化，得到字符级别的嵌入表示；对于N长度为N的输入句子X＝{x1,x2,…,xN}∈R ，用Bert对其每一个字符xi进行编码，得到字符特征序列 dh为字符特征的维度，R为表示特征的维度。

3.根据权利要求2所述的一种融合实体标签编码的小样本学习命名实体识别方法，其特征在于，所述步骤(3)中，词对特征矩阵V的获取方法：利用CLN将的字符特征序列表示成词对特征矩阵 其中Vij的计算公式为：

Vij为hi关于hj的特征表示，其中γij＝Wαhi+bα，λij＝Wβhi+bβ经过全连接层训练得到，Wα和Wβ是可学习的权重矩阵，bα和bβ是可学习的偏置向量，μ和σ是hi的均值和标准差，其公式如下所示：其中dh为字符特征的维度，hjk为字符特征序列H中第j个字符特征的第k个元素。

4.根据权利要求3所述的一种融合实体标签编码的小样本学习命名实体识别方法，其特征在于，所述步骤(3)中，距离特征矩阵Ed的获取方法：计算各个字符特征之间的距离得到距离特征矩阵 对于输入的句子

X，两个词(xi,xj)之间的距离表示为这两个词的绝对距离|i‑j|，再经过一个嵌入层，得到距离的分布式表示的距离特征矩阵

5.根据权利要求4所述的一种融合实体标签编码的小样本学习命名实体识别方法，其特征在于，所述步骤(3)中，区域网络矩阵 通过手动生成，设置一块N×N的矩阵，对于此矩阵的上三角区域，所有值设置为1，下三角区域则设置为2，再经过一个嵌入层，得到上下三角区域特征矩阵

6.根据权利要求3‑5所述的一种融合实体标签编码的小样本学习命名实体识别方法，其特征在于，所述步骤(3)中，将所述词对特征矩阵V、距离特征矩阵Ed和上下三角区域特征矩阵Et这三个特征矩阵的特征进行拼接得到词对关系特征矩阵其中

7.根据权利要求6所述的一种融合实体标签编码的小样本学习命名实体识别方法，其特征在于，所述步骤(4)具体实现过程如下：将每个实体标签进行自然语言的转换，W2NER中定义了两种词词关系，一种是相邻关系，表示两个词之间是可以相邻的，另一种是实体关系，表示两个词分别作为一个实体的头和尾，所以标签的数量为实体类型的数量+2，所述标签分别为相邻关系标签和无关系标签，同时再使用Bert对这些标签进行编码，得到每个实体标签的特征表示

8.根据权利要求7所述的一种融合实体标签编码的小样本学习命名实体识别方法，其特征在于，所述步骤(5)具体实现过程如下：对于每个词对关系特征表示ci,i∈{1,2,…,N×N}，与每个实体标签的特征表示lj,j∈{1,2,…,NL}计算点积相似度，经过Softmax运算，得到每个词对与每个实体标签的转移概率矩阵，其计算公式如下：yij＝softmax(ci·lj)。

9.根据权利要求8所述的一种融合实体标签编码的小样本学习命名实体识别方法，其特征在于，所述步骤(6)中，Bert预训练模型选择“bert‑base‑uncased”，epoch设置为5，学习率为0.00001，batch size为4，使用Adam优化器渐进式的调整学习率，利用标准的交叉熵损失来训练模型，公式如下：其中， 表示是否为正确标签，yij为预测的的转移概率，

多轮训练结束后，选取最优的模型作为预训练模型。

10.根据权利要求9所述的一种融合实体标签编码的小样本学习命名实体识别方法，其特征在于，所述步骤(7)中，载入完成训练后的最优模型，以k‑shot的方式对数据集进行采样，对于n‑shot，从每个实体类型中，随机采样n条语料作为输入继续训练；Bert预训练模型选择“bert‑base‑uncased”，epoch设置为100，学习率为0.00001，batch size为4，使用Adam优化器渐进式的调整学习率，利用标准的交叉熵损失来训练模型；

N×N

小样本训练结束后，将句子输入到训练好的模型中，输出词对关系矩阵Y∈R ，对词对关系矩阵进行解码，得到最终的实体词及其类型。