到底是什么？用生活化例子拆解
说白了，实体识别是第一步工作：从一大段自然语言里，把有明确意义的独立对象找出来，打上分类标签。
比如你给外卖平台发了一句「帮我找朝阳公园附近的四川火锅店」，实体识别会快速拆分出：朝阳公园（地点）、四川火锅（品类），不会把“朝阳”单独拆成一个城市拎出来。
而知识图谱，就是把这些识别好的实体，按照真实关系连在一起。它知道四川火锅属于火锅，朝阳公园在北京，火锅店会有营业评分这类信息。
落地应用的常见注意事项
说实话，很多团队刚上手做的时候，很容易踩坑。
据一些用户反馈，较为常见的问题是实体边界划不清：要么分类太细，把同一种东西拆成好几个实体；要么太粗，把完全不同的东西混在一起。比如做餐饮图谱，把「番茄汤锅」和「番茄火锅」归成一类，搜索匹配就会出偏差。
需要留意的是，通用预训练模型不是万能的，垂直领域一定要做微调。比如做医药知识库，通用模型认不出新出的罕见病名称，实体识别准确率会掉很多。
和普通关键词搜索的差异是什么
有意思的是，很多人会把这两种技术搞混。
普通关键词搜索只做字符匹配，你搜「苹果」，它分不清你要找水果还是手机。而知识图谱加实体识别，会结合上下文先识别出你要的实体类型，再调出对应的关联信息，结果精准度要高不少。
从实操角度看，目前大部分主流搜索、内容推荐平台，都把这套技术用在了核心链路里，只是普通用户感知不到而已。
您在实际使用或对接这类技术时，还遇到过哪些问题？欢迎结合具体场景继续探讨。
