1.一种面向水库群联合调度的小样本命名实体识别方法，其特征在于，包括如下步骤：步骤1，将水库群联合调度规程句子序列构成的水库群联合调度数据集划分为支持集和查询集，使用预训练语言模型将句子序列转换为模型可处理的向量表示；步骤2，使用实体跨度检测和实体类型分类两个阶段构建小样本命名实体识别模型；在实体跨度检测阶段，构造跨度边界矩阵，将预训练语言模型的输出转换为适合实体边界检测的形式；设计跨度过滤策略，对实体跨度检测阶段输出的跨度集过滤其中潜在的错误跨度，得到候选跨度集，作为实体分类阶段的输入；通过跨度边界矩阵枚举每个跨度示例的向量表示，计算模型预测的实体类别标签与实际标签之间的差异，得到基于跨度的损失函数；步骤3，在实体类型分类阶段，对候选跨度集中每个跨度类别计算样本的均值向量作为原型，构建原型网络，所述样本指的是在训练集中属于某个实体类别的所有跨度的语义表示；步骤4，对于查询集中给定的水库群联合调度规程句子序列样本，通过步骤2提取实体跨度，并将实体跨度与步骤3构建的原型网络进行相似度计算，得到它们之间的距离，再将该距离转换为概率，选择与样本相似度概率最高的原型作为实体识别的预测结果；在实体类型分类阶段，对候选跨度集中每个跨度类别计算样本的均值向量作为原型，构建原型网络，使用所述原型作为分类器，对跨度检测阶段的实体跨度进行分类，使用对比学习构造对比损失函数，通过计算不同类别的样本在特征空间中的距离来衡量样本之间的差异，具体步骤如下：在类型分类阶段，训练原型网络，使用标签提示增强的原型网络进行类型分类，并使用基于跨度的损失函数；通过使用支持集句子中的标签信息和提示信息，构建支持集中实体的原型；然后，通过计算查询集样本与所有原型之间的距离函数来表示每个样本与每个类别标签之间的相似性，实体类型分类阶段使用原型网络构建原型，生成具有特定语义特征的类原型；最后，使用softmax函数将相似性转换为概率输出，并使用交叉熵函数计算分类损失，输出具有最高概率的标签序列；过程如下：（3.1）首先，计算从第i个词到第j个词之间涉及词语的所有语义信息表示 ： ，其中，h k 为第i个词到第j个词之间涉及词语的向量表示；设 表示给定支持集S中包含的候选跨度集，计算S k 内的每个跨度类别的均值向量，用于表示每个实体类c k 的原型 ： ，其中， 为从第i个词到第j个词之间涉及词语的所有语义信息表示，|S k |是支持集中所有被标记为第k类的实体跨度的集合，实体类c k 的原型 表示为所有第k类实体跨度的语义表示的平均值；通过计算所有属于第k类的实体跨度的语义表示 的平均值，得到第k类的原型表示；（3.2）使用对比学习构造对比损失函数，计算BERT编码器提取的水库群联合调度规程句子序列样本与其标签上下文向量h 1 ,h 2 ；通过对比学习的损失函数，区分语义空间中不同类别的实体表示；用于原型网络的对比损失函数定义为： ，其中， 为第i个类别的实体集合，这里的 计算了样本 ， 之间相似性的指数值，log是自然对数函数。
2.根据权利要求1所述的面向水库群联合调度的小样本命名实体识别方法，其特征在于，所述步骤3中，原型网络为包含所有类别原型向量的模型，用于整个实体分类任务，原型网络通过训练数据学习所有类别的原型向量，并利用所述原型向量进行分类；使用所述原型作为分类器，通过计算候选跨度与原型之间的距离，对跨度检测阶段的实体跨度进行分类；使用对比学习构造对比损失函数，通过计算不同类别的样本在特征空间中的距离来衡量它们之间的差异；所述样本指的是不同类别的实体跨度在特征空间中的表示。
3.根据权利要求1所述的面向水库群联合调度的小样本命名实体识别方法，其特征在于，所述步骤1中，在支持集中，通过对句子中的字符进行上下文编码，获得所有实体的向量表示，实现过程为：使用BERT作为预训练语言模型，将水库群联合调度语料句子序列中的单词编码为计算机可理解的向量。
4.根据权利要求1所述的面向水库群联合调度的小样本命名实体识别方法，其特征在于，所述步骤2中，所述实体跨度检测阶段的具体步骤如下：（2.1）基于标签跨度，为每个支持句子生成一个标记的跨度边界矩阵 ，i与j分别代表实体跨度的起始标记和结束标记区间[i：j]，如果所述区间是一个实体，那么跨度边界矩阵内的元素将对应于1，如果这个区间不是一个实体，那么元素将对应于0；所述支持句子是指在训练集中已经标记好实体的句子；在BERT模型获取输入序列的上下文向量后，引入两层全连接层，将BERT模型的输出转换为适合实体边界检测的跨度形式；然后通过学习自注意力机制思想，对于每段跨度的向量表示，通过查询矩阵和键矩阵生成查询向量和键向量；再通过计算查询向量和键向量之间的点积，得到一个表示每对单词间相似程度的矩阵，用于计算每个单词在自注意力机制中的权重；（2.2）设计跨度过滤策略，首先迭代每个输入样本的概率张量和索引张量，基于预定义的置信阈值，对于每个输入的实体跨度样本，通过调整跨度分数的阈值，使提取的跨度数量在设定范围内；置信阈值被动态调整为过滤条件，目的是通过降低初始值来适应寻找高质量实体跨度的需求；如果样本的概率超过阈值，它将被添加到预测实体列表中；否则，将被过滤掉；如果候选跨度未达到指定数量，则降低阈值，直到找到需要数量的实体或所有概率都低于阈值；所述跨度过滤策略从模型输出中提取跨度信息，得到候选跨度集，作为实体分类阶段的输入； ，其中，log是底数为e的对数函数，exp为指数函数，矩阵Ω中第i行j列元素用于表示跨度[i,j]是否为实体，g(i, j)为实体跨度边界的概率函数。
5.一种计算机设备，其特征在于：该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行上述计算机程序时实现如权利要求1-4任意一项所述的面向水库群联合调度的小样本命名实体识别方法。
6.一种计算机可读存储介质，其上存储有计算机程序/指令，其特征在于：该计算机程序/指令被处理器执行时实现如权利要求1-4任意一项所述的面向水库群联合调度的小样本命名实体识别方法的步骤。
