我们日常刷电商推荐、搜同城景点，甚至找文献的时候，其实都在跟知识图谱与实体识别打交道。
基础认知：两者分别在做什么
实体识别是从一段非结构化的文本里，把有明确语义的独立实体给拆分出来。
比如你发社交动态说「上周去成都看了大熊猫，打卡了太古里的方所书店」，实体识别就能从中拆分出「成都」「大熊猫」「太古里」「方所书店」这些不同类型的实体。
知识图谱则是把拆分好的实体，按照相互之间的关系连接成网，比如标注清楚「方所书店位于太古里」「太古里在成都」，整个关系一目了然。
知识图谱实体关联关系示例图
落地过程中，这些坑要留意
说实话，很多刚接触的人容易踩同一个坑：迷信通用工具的效果。
不要迷信开箱即用的预训练模型，不同垂直领域的实体规则差异很大。据一些用户反馈，通用预训练模型放到垂直领域，实体识别准确率通常会下降十几个百分点。
比如医疗场景里，「成人隐匿性自身免疫糖尿病」是一个完整的疾病实体，通用模型很容易错误拆成好几个独立实体，后续知识图谱搭建自然也就错了。
从实操角度看，哪怕只是做一个小领域的知识图谱，也要留足时间给实体识别做标注调优，急不得。
垂直领域实体识别错误案例图
别搞混：两者不是一回事
别搞混：两者不是一回事
很多人会把实体识别等同于知识图谱，其实不对。
实体识别是知识图谱的基础入口，相当于给盖房子挖砖、挑砖，没有合格的实体，知识图谱就是空架子。
有意思的是，大模型普及之后，实体识别的门槛确实降低了不少，但想要达到可用的程度，还是得结合具体场景补充训练数据，没有什么偷懒的法子。
您在实际使用或项目落地中，还遇到过哪些跟知识图谱与实体识别相关的问题？欢迎结合具体场景继续探讨。
