搜“苹果”的时候,系统怎么知道你想找手机、水果,还是那家公司的财报?这事儿不玄乎,背后常常就是实体链接与消歧在干活。
说白了,文本里冒出一个名字,机器得先找它可能对应哪些真实对象,再挑一个较为合理的。挑错了,后面全歪。哎,挺要命。
这词听着专业,通常用在哪儿?
知识图谱、搜索引擎、推荐、客服工单、风控。都绕不开。比如电商评论写“小米真香”,模型得判断这是品牌还是粮食。再比如舆情抓到“朝阳群众”,要区分北京朝阳区相关,还是网络梗。对吧,同一个词,意思差很远。
医疗场景也常见。病历里的“阿司匹林”可能是通用名,也可能是某个商品名。金融新闻里“招行”通常指招商银行,但小贷广告里的“招行”可能只是引流话术。实体链接做不好,下游问答就会一本正经地胡说。

据一些用户反馈,做企业知识库时,挺头疼的不是模型不够大,而是同一家公司有简称、全称、错别字、英文名。候选一多,消歧变成概率游戏。
关键动作:候选生成、上下文打分、兜底
从实操角度看,流程常拆成三步。先识别实体指称。再生成候选实体,来源可以是别名表、百科重定向、搜索日志。最后打分排序。
打分靠什么?上下文。比如“苹果发布了新芯片”,发布这个动词就把水果候选压下去。但上下文稀疏怎么办?短文本、新词、缩写,很容易翻车。说实话,这块没银弹。
需要留意的是:别只靠一个模型。规则、词典、流行度先验、类型约束,都得混着用。某候选类型是人物,上下文明显在说城市,那就该降权。向量召回能补语义相似,但阈值别拍脑袋。

还有兜底策略。消歧不了,别硬选。可以返回“不确定”,或保留多个候选。硬选一个,下游可能更麻烦。这个可能因人而异,但经验上,留一个置信度字段挺有用。
和命名实体识别、共指消解有什么不同?

命名实体识别只管“这是人名”。实体链接还要说“是哪个张伟”。共指消解处理同一段话里“他”“该公司”指向谁。它们常串在一起用,但目标不一样。
趋势上,端到端模型多了,大模型也能直接问“这句话里的苹果指什么”。不过话说回来,可解释性和可维护性仍然重要。纯黑盒打分,出了错很难查。维护别名表也有周期。行业普遍观察,电商新品、网络热词的别名生命周期短,隔段时间就得补。
评估也别只看准确率。长尾实体、冷启动实体、跨语言实体,表现可能差很多。较为稳妥的是按业务切分测试集。否则线上效果和离线指标两回事。哎,这个坑不少人踩过。
常见疑问:能不能全靠大模型?

大模型能帮忙,但别指望它包办。候选太多,成本高。领域别名,它未必知道。还要考虑延迟和幻觉。较常见的组合是:轻量模型做召回,规则和类型约束做过滤,大模型只参加强歧义样本。
评估阶段,按实体类型、出现频率、文本长度分层看。别只盯着总体 F1。一个高频实体错了,可能比一百个长尾错更影响体验。
再抛个问题:您在实际使用中,遇到过“同一个词不同意思”很离谱的例子是什么?欢迎结合具体场景继续探讨。