基础认知：两者的关系和常见场景
说白了，实体识别是知识图谱的入门台阶。它的作用是从杂乱的文本、语音等信息里，把有明确意义的独立实体挖出来——比如人名、品牌名、地点、事件。知识图谱再把这些实体按关系连起来，织成一张可检索的关系网。
比如你搜「孙俪演过的古装剧」，首先实体识别要把「孙俪」（人名）、「古装剧」（作品类别）两个核心实体准确抠出来，知识图谱再调取已经整理好的关系数据，直接把结果给到你，不用你在网页里挨个翻找。
实操里容易忽略的关键问题
说实话，很多刚接触这类项目的朋友，很容易踩一个顺序错的坑：上来先搭知识图谱的框架，结果实体识别没打磨到位，最后全是错漏。
据一些用户反馈，歧义词处理是实体识别较为常见的难点。比如做电商商品知识图谱，「小米」是谷物还是手机品牌？「苹果」是水果还是科技品牌，放错了分类，整个推荐逻辑就乱了。
需要留意的是，实体识别不是做一次就能用很久。新品牌、新概念、新的网络热词一直在出现，隔一段时间不更新训练样本，识别准确率就会下降。
不止大厂：中小场景也能用
有意思的是，现在不止大公司的搜索、推荐业务能用，普通用户和小团队也能用上轻量化的服务。
比如个人做读书笔记整理，用带实体识别功能的工具，把笔记里的书名、作者、核心观点自动提取出来，再生成个人知识图谱，找关联内容的时候比按文件夹翻找方便太多。从实操角度看，不用从零训练模型，很多公开的轻量API就能满足普通需求，成本不高。
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。
