基础认知：到底在解决什么问题
说白了，就是解决「同名不同物」的问题。
我们日常搜内容的时候，输入「苹果」，系统要搞清楚你是要找那个能吃的水果，还是做手机的科技公司。
实体链接是把文本里提到的这个词，对应到知识库里面某个确定的条目，消歧就是从一堆同名的条目里，挑出符合上下文的那一个。
再举个例子，你看财经新闻里提到「李娜」，是那个退役的网球冠军，还是某上市公司的董事？这个区分的过程，就是实体消歧。
实际应用里的常见注意点
说实话，很多人一开始会觉得，这不就是关键词匹配吗？有什么难的。
据一些用户反馈，不少入门级的NLP应用，折就折在消歧这一步。
比如一句话「我早上喝了小米粥，然后看了小米发布的新车预告」，同一句话里就出现了两个「小米」，一个是谷物，一个是科技公司，需要分别做链接和消歧，不能一概而论。
需要留意的是，做垂直领域应用的时候，歧义词的优先级要调整。比如做医疗知识库，「人参」就要优先链接到中药材，而不是东北特产的那个水果。
和普通关键词匹配的差异
普通的关键词搜索，只要内容里有你搜的词，就会被推出来，不管这个词指的是什么。
实体链接与消歧不一样，它要的是精准对应到某个特定的对象。
从实操角度看，现在很多做垂直知识库的团队，通常会先用开源工具做粗粒度的消歧，再人工梳理高频的歧义词，这样整体的成本会控制在比较合理的范围。
有意思的是，现在大模型本身具备一定的上下文理解能力，消歧准确率比早年的统计方法高了不少，但碰到特别冷门的同名实体，还是会出错。
您在使用AI搜索的时候，还遇到过因为同名搞错结果的情况吗？欢迎结合具体场景继续探讨。
