基础认知：它们到底在解决什么问题
简单说，实体识别的任务，是从一段杂乱的文本里，把有实际意义的独立对象挖出来。比如人名、地名、品牌名、事件名，都是较为常见的实体类型。
挖出来的实体，会交给知识图谱整理。知识图谱就是把所有实体按它们的关系连起来，变成一张能直接查询的关系网。
举个例子，你搜“易烊千玺主演的电影”，实体识别先找出“易烊千玺”“电影”两个核心实体，知识图谱直接调出所有符合条件的结果给你，不用你在网页里自己翻找。
落地应用里容易踩的坑
从实操角度看，很多新手做项目容易犯一个错：搭完知识图谱就不管了，也不优化实体识别模型。
一词多义就是最常见的问题，比如“苹果”可以是水果，也可以是科技品牌，“小米”同理，实体识别如果不做歧义校准，很容易匹配错关系。
据一些用户反馈，不少中小项目的知识图谱用了半年后，准确率会有明显下降，大多是因为没有定期更新新实体。比如新推出的产品、新走红的创作者，都得补进模型的识别库⾥。
搞懂关系：两者不是同一回事
有意思的是，很多科普内容会把两个词放一起说，不少人就以为它们是同一个东西。
其实是上下游的配合关系。实体识别是知识图谱的“原料开采工序”，没有实体识别把实体挖出来，知识图谱就是一张空网。
反过来，知识图谱也能给实体识别提供反馈，帮模型修正识别错误，形成正向循环。现在除了搜索，不少企业做用户数据分析、医疗病例整理，都会用到这套组合技术，能帮人节省大量整理信息的时间。
您在实际接触知识图谱相关项目时，还遇到过哪些实体识别的问题？欢迎结合具体场景继续探讨。
