2026-09-07 19:57:54 分类：GEO优化
我们每天用搜索引擎、刷内容推荐、问AI客服，背后都有知识图谱与实体识别在默默运转。
基础认知：二者是怎么配合干活的
说直白点，实体识别就是从一大段杂乱文本里，把有明确意义的独立对象揪出来，顺便给它贴上分类标签。
比如你给AI发一句「周末带我去北京故宫看展」，实体识别会快速分离出「周末」（时间）、「北京故宫」（地点）、「展」（事件）三个不同实体。
知识图谱则是把所有识别出来的实体，按已知的关系连结成网，比如它知道北京故宫在北京城中心，北京故宫藏有上百万件文物，展览通常提前一周预约。
知识图谱实体关系连接示意图
做落地时要留意的常见误区
很多新手刚接触的时候，会以为实体识别就是抠关键词，其实差远了。
它核心要解决的是歧义问题，同样是「小米」，放在「今天熬小米粥」里是农作物，放在「小米新出的手机」里是科技品牌，分不清就全错。
说实话，据一些用户反馈，中小电商做自有商品知识图谱的时候，经常在歧义词上翻车，把品牌名识别成品类，白白浪费几千块的标注成本。
需要留意的是，如果要搭建小范围的垂直知识图谱，实体识别的分类体系一定要提前定好，不要边做边随便加类别，不然最后整个图谱的关系会乱成一团。
歧义文本实体识别分类对比示例
大模型时代的新变化
大模型时代的新变化
早几年实体识别全靠规则和人工标注数据，遇到生僻词基本歇菜。
从实操角度看，现在大多是用大模型做粗粒度实体识别，再用小体量的微调模型做垂直领域优化，成本降了不少，精度也够用。
不少做企业客服的团队，都会用这套组合来做问题匹配：用户提问后先做实体识别，再到知识图谱里找对应答案，比直接让大模型自由回答靠谱，很少出现瞎编内容的情况。
不过话说回来，这套方案也只适合有明确问答场景的需求，开放场景下还是得靠大模型自己发挥。
您在实际接触中，还遇到过哪些实体识别出错的有意思的情况？欢迎结合具体场景交流探讨。
免责声明：市场有风险，选择需谨慎！此文仅供参考，不作买卖依据。如有侵权请联系删除。
文章名称：知识图谱与实体识别：藏在日常搜索推荐里的底层逻辑
文章链接：https://www.ttrenwu.com/geo/950.html
