基础认知：二者怎么配合完成工作
实体识别是给知识图谱铺路的第一步。简单说，它就是从一段杂乱的文本里，把具备实际意义的独立单元给拆分出来——比如人名、品牌名、地点、事件都算实体。
比如你在旅游APP搜“张家界金鞭溪附近的民宿”，实体识别先把“张家界金鞭溪”“民宿”两个核心实体拆分出来，再交给知识图谱关联周边的商户信息、距离数据，很快就能给你出结果。
说实话很多人会把两个概念混为一谈，其实说白了，实体识别是挖矿的铲子，先把有用的矿石（实体）挖出来，才能拼成一整张知识关系网，也就是知识图谱。对吧？
落地应用里常见的误区
从实操角度看，很多刚接触小项目开发的朋友，容易踩一个共性的坑：觉得只要把实体识别出来就够了，不用管歧义问题。
举个例子，做数码内容的知识图谱，“小米”既可以是粮食，也可以是小米公司的品牌，要是实体识别没给实体标注正确的类别，知识图谱就会把农业内容错误关联到数码产品底下，推给用户错误的信息。
据一些用户反馈，一开始图快直接用开源预训练模型，没针对自己的垂直场景做微调，歧义识别的准确率会掉不少，后续调整花的时间比一开始打磨模型多很多。
普通用户能怎么用
现在不少轻量化的工具已经集成了知识图谱与实体识别能力，不用自己写代码也能用。比如做内容整理的朋友，批量导入过往的原创内容，工具会自动识别出文中的核心话题实体，自动帮你分类打标签，省很多手动整理的时间。
需要留意的是，效果通常和你的内容垂直程度有关，这个可能因人而异，做垂直领域内容的识别准确率，一般比大杂烩内容好不少。
您在实际使用中还遇到过哪些情况？欢迎结合具体场景继续探讨。
