基础认知：两者的协作关系
实体识别是知识图谱构建的第一步，简单说，实体识别负责从一堆文字里把有意义的独立个体抠出来，知识图谱负责把这些实体的关系连起来。
举个生活化的例子，你在电商平台搜“华为Mate60手机壳”，实体识别会先拆分出“华为Mate60”“手机壳”两个核心实体，再把实体信息给到知识图谱，匹配出对应关联的商品，不会把华为其他型号的手机壳推给你。
换个场景，你搜“周杰伦晴天歌词”，实体识别抠出“周杰伦”“晴天”两个实体，知识图谱直接调出两者的所属关系，给你想要的结果。
实操里要留意的常见误区
不少刚接触的人会觉得，实体识别不就是抠关键词吗？其实差远了。
最常见的问题是实体歧义，同样两个字，意思可能完全不一样。比如“小米”，可以是谷物，也可以是手机品牌，要是实体识别分错，知识图谱再怎么搭都是错的。
据一些用户反馈，做垂直领域内部知识库的时候，一开始直接用通用预训练模型，没做本地化调整，结果有近三成的实体识别错误，后期整理起来花了一倍的时间。
从实操角度看，针对细分领域，通常需要给模型喂几百条行业标注数据做微调，能大幅降低错误率。
普通人也能用的落地场景
不是只有AI算法工程师才碰这东西，普通运营、行政甚至小老板都能用得上。
比如做内容运营的，整理半年的用户评论，用实体识别自动把用户提到的产品功能、好评差评点抠出来，导入自己的小型知识图谱，找用户反馈的时候直接搜关键词就能出来，不用翻几百页表格。
这个可能因人而异，要是你面对的文本本身很不规范，比如大量手写转写的口语化内容，准确率确实会打折扣，这个要提前有预期。
您在实际使用中还遇到过哪些情况？欢迎结合具体场景继续探讨。
