基础认知：拆分实体，织成知识网
实体识别，说穿了就是帮机器从一大段文字里，把具体的「人、事、物」给挑出来，打上分类标签。
比如你发了一条朋友圈：“周末去故宫看了《清明上河图》特展”，实体识别会自动把「故宫」标成景点，「清明上河图」标成古画，特展标成活动。
知识图谱呢，就是把这些识别出来的实体，按相互关系连起来。比如故宫在北京，清明上河图现藏于故宫，作者是张择端，这些关系连在一起，就是一张小型知识图谱。
实操中容易踩的误区
说实话，很多刚上手做小项目的朋友，很容易栽在实体歧义这个坑里。
比如你做电商知识图谱，搜“小米”，机器要是没做好上下文判断，会把谷物小米和小米手机混在一起，出来的结果完全不对。
据一些用户反馈，十个体积不大的知识图谱项目，有六七个都在初期遇到过歧义识别的问题。解决这个问题，通常要给模型加入上下文关联判断，再结合行业的实体词典，就能大幅降低出错概率。
需要留意的是，不同行业对要识别的实体要求完全不同。医疗场景要识别病症、药品，金融场景要识别企业、标的，没有通用模型能适配所有需求。
它给日常找信息带来了什么变化
有意思的是，和早年全关键词匹配的搜索比，这套技术把找信息的逻辑从“匹配文字”改成了“理解语义”。
以前你搜“广州有哪些孙中山相关的景点”，搜索引擎会把所有带“广州”“孙中山”“景点”的网页堆给你，你得自己翻。现在用知识图谱加实体识别，直接会把各个景点按关系整理出来，连开放时间、位置都给你聚合好。
从实操角度看，现在很多企业整理内部知识库，都会用这套技术，把存量文档里的客户、项目、产品实体抽出来搭网，找相关资料的效率提升不少。
您在实际接触知识图谱与实体识别的过程中，还遇到过哪些问题？欢迎结合具体场景继续探讨。