问题背景
还是在于方法的创新，虽然是数据增强，但玩出了新花样呀。
标注数据集少，所以，在实体识别时，人们开始使用一些领域词典对齐生成伪标注数据集，但在一些情况下，字典也是不可得的，所以，如何解决呢？
一、论文核心
知识问答的形式，生成数据集，用于NER任务
（1）采用提示学习的范式，生成question
（2）采用phrase retrieval model 用于answer 这些问题
（3）在生成的数据上，测试model performance。
二、文章内容
(1) 查询表述：NER的需求首先被表述为简单的自然语言问题。
(2) 检索：我们使用一个开放领域的QA模型来检索相关的短语（即实体）以及要注释的句子。
(3) 词典匹配：检索到的句子由规范化的短语来注释。生成train数据集。
(4) 自我训练：我们使用自我训练(self training)，纯粹在我们生成的数据集上训练NER模型。更多细节见第3节。
三、experiments
- 在rich-resource和few or zero shot条件下，测试模型的性能。
- 在fine-gain的实体类型上，测试模型的性能。
- 在消融实验中，研究了question template，一些normalization rules（规范化规则），self
training 的影响。
总结
未来可能的方向：更好的QA模型；多种类型的NER任务（每种类型下，包含的可能实体数量是否有影响，比如美国州和运动员，后者实体量显然大于前者）；
新的技术策略，解决旧的问题。
方法可不新颖，但是思路起码要OK。