知识图谱与实体识别现在已经是很多企业搭建内部知识库、优化智能搜索时绕不开的基础能力，不是什么飘在半空的前沿概念。
基础认知：两者到底是怎么配合干活的
很多人刚接触这两个概念时，会把它们混为一谈。其实分工很清晰：实体识别负责从非结构化的文本里，把关键的“人、事、物、概念”这些节点拎出来；知识图谱负责把这些节点之间的关联关系串成可用的网络。
举个很生活化的例子，你打开外卖APP搜“适合乳糖不耐受的人喝的无添加燕麦奶”，系统不是生硬匹配关键词，是先通过实体识别把句子里的核心节点拆出来，再对应到食品知识图谱的对应节点上，最终匹配符合要求的商品和商家。
说实话，不少刚做这块的团队一开始就踩过坑：花了大半年标注了一堆实体，最后节点之间的关联关系没理清楚，整个图谱就是一堆散珠子，根本用不起来。这个可能因人而异，不同场景对实体类型的要求差得挺多的。
实操里容易踩的几个误区
别追求一开始就把所有实体类型都覆盖全。比如你是做医疗科普内容的知识图谱，一开始不用连“科普作者的宠物品种”这类和核心内容无关的实体类型，先把“疾病”“症状”“用药”“禁忌人群”这几个核心实体做准了，再逐步扩边就好。
据一些用户反馈，很多团队在做实体识别的时候，过度追求通用大模型的识别准确率，忘了自己的场景有特殊术语——比如做法律文书的场景，“取保候审”“举证期限”这些词，通用模型可能会把“举证期限”拆成两个普通词汇，根本识别不成有效实体，这时候就得在通用模型基础上，喂自己场景的标注数据做微调。
需要留意的是，实体识别的准确率不是越高越好。如果你的场景是做内部文档的智能检索，只要核心实体的识别准确率到85%以上，搭配简单的人工补全规则，基本就能满足日常使用，没必要为了提升最后5%的准确率，多花几倍的标注和算力成本。
常见疑问：和传统关键词搜索到底差在哪
传统的关键词搜索，是只要文本里出现你搜的词，就把内容排序展示，不管这个词在上下文里指的是什么。比如你搜“苹果”，传统搜索可能会把水果食谱、手机测评、本地叫苹果的水果店内容混在一起。
有意思的是，很多人用了好几年智能搜索，都没察觉到背后是这套逻辑在支撑。
有了实体识别和知识图谱之后，系统会先判断你输入的词汇在当前语境下对应的是哪个实体节点，再从关联的内容库里匹配结果——比如你刚浏览完几篇手机测评内容，再搜“苹果”，系统就会优先关联到消费电子类的实体节点，不会乱推不相关的内容。
您在实际使用知识图谱与实体识别能力的过程中，还遇到过哪些适配场景的具体问题？欢迎结合实际情况交流。
