我们现在刷搜索引擎点外卖，能精准拿到想要的结果，背后就有知识图谱与实体识别在支撑。
基础认知：到底解决什么问题
知识图谱本质上，就是把现实里的各类事物，还有事物之间的关联，整理成一张可以快速检索的关系网。
实体识别，就是帮我们从杂乱的文本、语音内容里，把这些真实的事物给精准抠出来。
举个例子，你在旅游APP搜“泰山山顶酒店”，实体识别会先把“泰山”“山顶酒店”两个不同的实体拆出来，再去知识图谱里找二者的关联，直接给你符合位置要求的酒店列表，不用你自己筛选。
旅游场景知识图谱实体关联示例图
说白了，没有实体识别，知识图谱就是一堆存了数据的空架子，找不到你要的东西。
实际落地的常见注意事项
做相关项目的时候，很多新手容易踩同一个坑：觉得把实体抠出来就万事大吉了。
说实话，同名不同实体的情况太常见了。比如“小米”可以是粮食，也可以是消费电子品牌，“南山”可以是景点，也可以是小区名字，错配一次，整个知识图谱输出的结果就歪了。
据一些用户反馈，做本地生活服务的知识图谱，光是处理重名实体就要花掉近三成的标注工作量。
中文实体歧义处理逻辑示意图
需要留意的是，我们通常会给实体加上下文标签来区分，比如文本里出现“煮粥”，那对应实体就是粮食小米，出现“新品发布会”，对应就是数码品牌小米。
知识图谱也不是做完就不用管了，通常每个季度要更新一次新增实体，不然新出现的商铺、景点就搜不到。
延伸：和传统搜索的区别
延伸：和传统搜索的区别
很多人会把这个技术和传统关键词搜索混，其实差别挺大的。
传统搜索是匹配你输入的关键词，找包含关键词的网页，你还要自己翻找答案。
知识图谱加实体识别，是先理解你问的“东西是什么”，直接给你整理好的关联信息。比如你搜“孙俪的儿子”，它会直接给你名字，不用你去文章里找。
当然它也不是万能的，碰到特别小众的新内容，还没录入图谱的，也容易出错。
您在实际使用中还遇到过哪些实体识别错配的情况？欢迎结合具体场景继续探讨。
