细粒度实体分类任务作为命名实体识别任务的扩展，其目的是根据指称及其上下文，发掘实体更细粒度的类别含义。由于细粒度实体语料的标注代价较大，标注错误率较高，因此该文研究了在少量样本情况下的细粒度实体分类方法。该文首先提出了一种特征提取模型，能够分别从单词层面以及字符层面提取实体信息，随后结合原型网络将多标签分类任务转化为单标签分类任务，通过缩小空间中同类样本与原型的距离实现分类。该文使用少样本学习以及零样本学习两种设置在公开数据集FIGER（GOLD）上进行了实验，在少样本学习的设置下，较基线模型在三个指标中均有提升，其中macro-F1的提升最大，为2.4%。