该文介绍了一种基于知识增强型注意力框架（KEAF）的多标签少样本学习（FSL）的属性值提取模型，通过使用原型网络和混合注意力来实现更具区别性的原型，并通过整合支持集和查询集的语义信息来学习动态阈值实现多标签推断。

本文提出了一种基于知识增强型注意力框架（KEAF）的多标签少样本学习（FSL）的属性值提取模型。该模型通过原型网络和混合注意力减少噪音、捕获更多信息，实现更具区别性的原型。同时，通过整合支持集和查询集的语义信息，该模型能够学习动态阈值实现多标签推断。实验结果表明，KEAF 在少样本学习中的信息提取任务中优于其他模型。