基础认知：二者怎么配合完成工作
实体识别是第一步，负责从杂乱的文本里，把有具体意义的独立对象摘出来。
比如你搜「上海迪士尼春节客流量」，实体识别会先帮你拆分出「上海迪士尼」是地点实体、「春节」是时间实体，剩下的是你的查询需求。
知识图谱则是把所有识别出来的实体，按照相互关系织成一张网，告诉你上海迪士尼在上海，春节的客流量通常高于平日，票价是多少，直接把关联信息推给你。
生活化的例子还有很多，比如你刷短视频搜「减脂期可以吃的早餐」，实体识别先捞出「减脂期」「早餐」两个核心实体，知识图谱再把符合属性的菜品实体推给你。
实操中容易踩的几个误区
说实话很多刚接触的团队，都会踩同一个坑：觉得实体识别的粒度越细越好。
拆完品类拆成分，拆完成分拆产地，最后知识图谱冗余得根本跑不动。从实操角度看，粒度完全要看用途，做电商推荐拆到品类、适用人群就够用，做学术文献拆解才需要更细的颗粒度。
另一个常见问题是实体歧义处理不到位。比如「小米」可以是手机品牌，也可以是农作物，「苹果」可以是水果也可以是科技公司，没做消重处理的话，搜小米股价能出来一堆小米粥的食谱，挺乱的。
大模型时代的新变化
有意思的是，大模型火了之后，不少人说知识图谱和实体识别要被淘汰了。其实完全不是这么回事。
大模型生成内容容易出现不实信息，把预先验证好的知识图谱和实体识别接入，就能帮大模型提前锁定正确的实体关系，降低出错概率。
据一些用户反馈，在企业客服这类对准确率要求较高的场景里，加了知识图谱和实体识别的大模型，回答准确率有明显提升。
这个可能因人而异，小场景用简单的规则模型做实体识别就够用，不用强行追超大模型的风口。
您在实际使用或搭建知识图谱的过程中，还遇到过哪些实体识别相关的问题？欢迎结合具体场景继续探讨。
