基础认知：到底是什么，通常用在哪儿
说白了，实体识别就是从杂乱的文本、语音转写内容里，把有明确指向的实体拆分标注出来，比如人名、地名、品牌名、商品名都是常见实体。知识图谱则是把拆分好的实体，按它们之间的实际关系连接成网，方便机器快速检索调用。
比如你在电商平台搜“北京发货的运动鞋”，系统先靠实体识别标出“北京”（发货地实体）、“运动鞋”（品类实体），再调用知识图谱里存储的，各个运动鞋商品和发货地的对应关系，很快就能给你筛选出符合要求的商品。
再比如你问智能语音助手“明天上海会不会下雨”，识别出“明天”（时间实体）、“上海”（地点实体），才能准确调用对应区域的天气预报接口返回结果。
实操里容易踩的几个坑
很多新手做项目的时候，容易忽略实体的歧义问题。比如“小米”可以是品牌，也可以是农作物，不结合上下文做消歧，直接标注成单一实体，最后知识图谱肯定乱套。
据一些用户反馈，不少中小团队做垂直领域知识图谱，刚起步的时候就是跳过了实体消歧这一步，结果整体准确率上不去，返工花了几倍的时间。
还有一个常见误区，知识图谱做完就扔在一边不再更新。新的品牌、新的地名、新的受关注人物一直在出现，长时间不更新实体库，老图谱用起来就错漏百出。从实操角度看，垂直领域的知识图谱，通常三个月到半年需要做一次实体增补更新。
容易混淆的概念区分
不少人会把实体识别和关键词提取搞混，其实完全不一样。
关键词提取抽的是文本的核心主题，哪怕是抽象概念也可以抽，比如一篇讨论“远程办公效率”的文章，关键词可以是“效率提升”，但这不是实体。实体识别只抽有明确具体指向的对象，“远程办公”这里的实体其实是“企业”“员工”这类具体对象。
有意思的是，实体识别永远是构建知识图谱的第一步，没有准确的实体识别，知识图谱就是一堆没有实际关联的乱码，根本没法用。
您在搭建或者使用知识图谱的过程中，还遇到过哪些和实体识别相关的问题？欢迎结合具体场景继续探讨。
