基础认知：两个技术到底在解决什么问题
你在手机备忘录里随手记“上周和张医生在华西门诊见了面，他说我上次开的降压药要调整剂量”，这串文字丢给系统处理时，第一步就是实体识别——把里面的核心要素挨个抠出来：人物是张医生，就诊机构是华西门诊，药品是降压药，行为是调整用药方案。听起来玄乎。
抠出来的这些零散实体，接下来要靠知识图谱串成关联网络：张医生的执业地点是华西门诊，擅长心血管方向诊疗，降压药属于心血管疾病常用处方，这些关联关系存到库里，下次你再搜“张医生擅长看什么病”，系统不用翻完全网内容，直接就能调出匹配的答案。
说实话，很多人第一次听这俩词觉得离自己很远，其实你每次用地图搜“家附近的咖啡店”，系统能精准区分你说的“家”是你常定位的那个住址，而不是同名的别的小区，这就是实体识别在做的事。
实操落地里容易踩的几个坑
实体识别不是把所有名词抠出来就完事。比如碰到“苹果”这个词，到底是水果还是消费电子品牌，得结合上下文的知识图谱关联来判断——如果句子里说“苹果发布了新的Vision Pro”，对应的实体就是科技品牌；如果说“今天买的苹果很甜”，对应的实体就是生鲜水果。据一些用户反馈，很多团队刚开始搭建内部知识图谱时，经常会碰到同名实体混淆的问题。比如两个都叫“李经理”的员工，一个是销售部的，一个是研发部的，没做身份属性区分的话，搜出来的合作记录全是乱的，找信息比手动翻文件夹还慢。
不是建完就一劳永逸。
通常每3个月要做一次实体库定期校准，比如新的部门调整、新的产品上线，对应的实体关系要及时更新，不然检索出来的信息就会过时。
和普通关键词检索的核心差异
真不是。
比如你搜“新冠之后的后遗症调理方案”，普通关键词检索只会把包含“新冠”“后遗症”“调理”的文章堆给你，经常混进不相关的养生广告。但结合了知识图谱与实体识别的检索，会先给实体做精准定义：“新冠”特指2020年开始流行的呼吸道传染病，“后遗症”是感染后3个月仍存在、持续超过2个月的症状，再关联对应的专业调理实体，比如营养科的干预方案、呼吸科的康复训练动作，推送的内容匹配度会高很多。
有意思的是，很多人用了很久这类智能检索功能，都没意识到背后是这套逻辑在起作用。
您在实际使用这类智能检索功能时，还遇到过哪些识别不准的情况？欢迎结合具体场景继续探讨。
