你刷短视频时刷到的精准内容推荐，查资料时搜索引擎跳出的关联词条，甚至点外卖时搜到的适配需求的商家，背后都有知识图谱与实体识别的影子。
没那么玄乎的基础认知
很多人第一次听这俩术语，觉得是离日常很远的技术。其实拆开看特别简单——实体识别就是从一堆杂乱的文本里，把有实际意义的
专属名称摘出来；知识图谱就是把这些摘出来的名称，按相互的
关联关系串成一张可查询的关系网。
举个例子，你在搜索框输入“痛风患者能吃的凉拌菜”，系统不会把所有带“凉拌菜”关键词的结果一股脑推给你。它会先通过实体识别，把“痛风患者”“饮食禁忌”“凉拌菜”这几个核心实体从你的提问里摘出来，再匹配知识图谱里预先存好的关联关系：痛风患者需要避开高嘌呤食材，凉拌菜品类里低嘌呤的选项有哪些，最后再给你推对应的结果。
搜索场景实体识别关联知识图谱节点匹配示意图
有意思的是，这俩技术从来不是绑定死的。实体识别可以单独用在很多文本整理场景，知识图谱也可以靠人工录入的方式搭建基础框架，只是两者配合的时候，能省掉大量人工整理信息的时间。
实操里容易踩的隐形坑
从实操角度看，很多团队一开始做实体识别，就贪多求全，一上来想覆盖上百个实体类型，结果核心场景的识别准确率掉得厉害。
真的没必要追大而全。需要留意的是，
实体识别的适配度，远比覆盖的类型数量重要。比如做律所的内部知识库，你根本不需要识别“娱乐明星”“动漫IP”这类和业务无关的实体，把“法条条款”“案件类型”“当事人身份”“裁判结果”这几个核心实体的识别准确率磨到可用水平，实际价值会高很多。
律所知识库核心实体标注流程示意图
据一些用户反馈，很多人搭知识图谱的时候，会忽略实体的歧义校验环节。比如识别到文本里提到“苹果”，到底是指水果品类，还是科技公司？如果不结合上下文的关联关系打标，整个图谱的节点就会串线，后面做关联推荐的时候很容易闹笑话——比如给找水果食谱的用户推手机参数，这种错位的糟糕体验，全是当初实体识别环节没做歧义校验留下的隐患。
没那么遥远的落地视角
别觉得知识图谱与实体识别是大厂专属的技术。现在不少中小团队，用开源的标注工具加轻量化的大模型微调，就能搭出适配自身业务的小型图谱。比如开社区书店的商家，把到店读者提到的“偏好作者”“想找的书籍”“常聊的阅读话题”这些实体摘出来，串成简单的关系网，下次有同类型的新书到店，给匹配到的读者发个简单通知，触达效果比泛泛的群发好不少。
您在实际使用相关技术梳理业务信息时，还遇到过哪些具体的问题？欢迎结合实际场景继续探讨。
