知识图谱与实体识别，是现在各类智能搜索、推荐系统能读懂用户真实需求的核心底层能力。你搜“家附近开了三年的老面馆”，系统能精准跳出对应店铺的位置、招牌面、用户评价，靠的就是这套技术的配合。
日常场景里的真实落地
很多人听到这俩词觉得离自己很远，其实每天都在接触。
实体识别的核心作用，是从非结构化的自然语言里，把具备独立指向的单元精准抠出来。比如你在美食平台留下一句评价“巷口那家老面馆的辣肉面，比商圈里的连锁品牌够味”，实体识别要做的，就是把“巷口老面馆”“辣肉面”“商圈连锁餐饮品牌”这些有明确指向的内容标出来，而不是把“上周”“好吃”这类通用描述算成实体。
知识图谱则是给这些抠出来的实体牵线搭桥——给老面馆关联上具体地址、开店年限、招牌菜品、用户提到的对比对象，形成可检索、可关联的结构化知识网络，而不是把零散的文字堆成无意义的数据库。
实操中容易踩的共性误区
说实话，见过太多团队图省事，拿通用模型直接套垂直场景，最后出来的结果根本没法用。
别觉得买个现成的模型就能搞定所有场景。从实操角度看，很多团队一开始只拿通用模型做实体识别，遇到垂直领域的专属名词就容易出错。比如做中医药领域的知识图谱，通用模型可能会把“茯苓桂枝汤”识别成普通食材，根本关联不到对应的方剂、适用人群。这很要命。
没有经过消歧的实体，塞进知识图谱只会制造检索噪音。比如“苹果”可以是水果，也可以是消费电子品牌，没有上下文锚定的实体，会让搜索结果完全跑偏。据一些用户反馈，没做歧义消歧的知识图谱，搜索匹配的误差率比做了消歧的高40%以上。
和大模型能力的边界差异
很多人会把大模型内置的知识和知识图谱搞混。大模型的知识存储在参数里，遇到训练集没覆盖的新名词，容易生成不符合事实的内容。知识图谱的每个实体节点都能标注明确的信息来源，比如查药品适应症，节点可以直接关联公开的监管公示文件，溯源性更强。
现在较为常见的落地方式，是用大模型做初步的实体抽取，再把抽出来的实体灌入知识图谱做关联校验，比单独使用某类技术的适配性更好。
您在实际使用相关技术的过程中，还遇到过哪些识别偏差、关联错位的情况？欢迎结合具体场景继续探讨。
