科技文献中包含了大量信息,如研究对象、研究方法和对照方案等,而这些信息是从事科研活动的人所需要的。从科技文献中提取出名词和短语等信息可以归类为自然语言处理中命名实体识别的任务。传统的命名实体识别采用深度学习的方法,通过对大量标注数据的学习,来达到很高的准确率。但是在中文科技领域,标注数据集非常稀缺,这严重阻碍了该领域命名实体识别的发展。本文立足于中文科技领域实体识别的特点,在少样本的条件下开展实验,并使用多个方案提高了命名实体识别的性能。目前,命名实体识别的主流模型在应对缺少样本的情况时,表现比较差。针对这一问题,本文引入了迁移学习的思想对主流模型进行改进,这一改进的重点在于额外的预训练过程。在预训练阶段,模型可以使用大量目标类别以外的实例进行训练,这一阶段学习到的知识有助于样本数较少的类别的训练。实验证明,这一改进方法能有效提升少样本条件下命名实体识别的准确率。另一个改进方案是基于原型网络进行改进。原型网络的本质是一个前馈网络,作用是为每个类别都构建了一个可用于分类的原型。实验结果表明,引入原型网络后大多数类别的实验表现有明显提升,有的类别的F1值甚至能提高10个百分点以上。最后,迁移学习和原型网络还可以结合起来,使准确率进一步提高。在少样本的条件下,目标类别的句子数被设置为20。这是比较严格的实验条件,但是经过迁移学习和原型网络的改进,大多数类别的识别结果都达到了良好的水平。迁移学习的预训练阶段和原型网络均需要额外的语料库作为辅助数据,为此,本文专门构建了一个科技领域语料库。这些数据来源于知网,并经过统计方法处理。实验证明,辅助数据的引入提高了模型的识别效果。科技领域语料库的构建,为中文科技领域的研究提供了可用的资源。同时,构建一个领域相关的语料库的方法为提高少样本学习的性能提供了新的思路。