基础认知：二者到底在做什么
知识图谱是把各类零散信息按关联连接起来的网状知识库，实体识别则是从杂乱文本里提取关键实体的技术。
举个例子，你在搜索引擎输入“黄渤主演的青岛籍导演作品”，系统能快速从中拆分出“黄渤”（人物实体）、“青岛”（地名实体）、“导演”（身份实体），这就是实体识别的作用，再通过知识图谱里存储的关联关系，直接给你列出对应作品，不用你逐个筛选网页。
电商平台的个性化推荐，也常用这套逻辑：识别你浏览过的品牌、品类实体，再从知识图谱里找到关联商品推给你。
实际应用里要注意的常见误区
说实话，很多刚接触的人都会觉得实体识别准确率已经足够高，其实不然。
据一些用户反馈，遇到同词异义或者模糊指代的时候，很容易出错误。比如单独出现的“小米”，到底是农作物还是科技品牌？不结合上下文，模型很容易识别错。
搭建应用的时候，一定要给实体识别模型加入足够的上下文特征，不然实体错了，整个知识图谱的关联逻辑都会混乱。
另外，知识图谱不是建完就可以扔在一边，新的实体不断出现，比如新上线的产品、新走红的公众人物，通常需要定期做增量更新，这个步骤很多团队会漏掉。
小疑问：二者为什么总是绑定出现
有意思的是，很多资料都会把两者放在一起讲，其实有必然逻辑。
实体识别是知识图谱的“入口”，没有实体识别从公开文本、用户数据里提取出新的实体，知识图谱就没法添加新的节点和关联。反过来，知识图谱积累的关联数据，又能反过来帮实体识别提高准确率，比如上下文里出现“手机”“发布会”，就能确定这里的“小米”是品牌实体。
不过话说回来，也有单独使用实体识别的场景，比如做新闻稿的关键词标注，不一定需要搭建完整的知识图谱，一切看实际需求。
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。
