你搜“附近的宠物医院”能直接出带评分、营业时间的结果，背后其实就有知识图谱与实体识别的参与。
别把两个概念拆成完全不相关的工具
很多人刚接触这两个概念的时候，会下意识把它们拆成两个独立模块——觉得实体识别是NLP领域的文本处理任务，知识图谱是存关系的结构化数据库。
其实根本不是。
实体识别是知识图谱的核心入口。你读一句“《流浪地球2》里的MOSS，由吴京饰演的刘培强所在的科研团队参与研发”，系统要先通过实体识别，把所有带明确指向的主体抠出来：影视作品《流浪地球2》、人工智能产品MOSS、演员吴京、角色刘培强、对应的科研团队。这些抠出来的实体，才会被填到知识图谱的节点上，再补上“出演”“开发”“出品”这些带方向的关系边。
有意思的是，很多做电商搜索的团队，刚上线的时候都踩过同一个坑——把“苹果”这个词直接归成水果类实体，结果搜“苹果256G手机”的用户，出来的全是红富士的商品链接，根本找不到想要的电子产品。这就是实体识别没结合上下文做消歧的典型问题。
实操里容易踩的几个细节坑
实体识别的匹配阈值不要设得太死。据一些用户反馈，很多团队刚搭系统的时候，为了减少误判，把实体匹配的置信度拉得很高，结果一堆线下门店的别名、用户口头上的简称全被漏掉了——比如用户搜“望京那家蜜雪冰城”，系统识别不出来“蜜雪冰城（阜通东大街望京店）”这个已收录的实体，直接返回空结果。
要留意知识图谱的实体更新周期，不是建完就一劳永逸的。比如餐饮行业的门店，每个月都有新开、闭店的，要是3个月才更新一次实体信息，用户搜已经关门的店，系统还在给路线导航，体验会打折扣。通常To C的生活服务类图谱，实体信息的更新频率在1-2周一次比较合适；行业内部用的专业图谱，比如医药领域的药品适应症信息，更新周期可以拉长到1-3个月。
别被过度包装的概念带偏
现在不少宣传会说，上了知识图谱就能实现“全链路智能决策”。
其实从实操角度看，大部分中小团队的日常需求，根本不需要从零搭一套完整的图数据库。比如你只是要做内部文档的关键词检索，用实体识别先把文档里的人名、项目名、关键时间点抽出来，存在普通的结构化表格里做关联检索，就能解决大部分检索不准的问题。
真的没必要硬上重型的图存储方案。很多时候工具的适配性，比功能全不全重要得多。
您在实际搭建这类系统的时候，还遇到过哪些识别不准、关联出错的情况？欢迎结合具体场景继续探讨。
