核心关系：实体识别是知识图谱的基础入口
很多人会把两个概念搞混，其实分工很明确。实体识别是知识图谱的基础入口，先把文本里的不同目标对象拆出来，才能给知识图谱做素材。
举个生活化的例子，你在搜索引擎搜“北京到上海的高铁时刻表”，实体识别第一步，要拆分出“北京”“上海”“高铁”三个不同实体，才能触发知识图谱里的交通线路关系，直接给你出可查询的结果，不用你在一堆网页里翻。
实操避坑：最容易忽略的核心细节
说实话，很多刚接触的朋友都会踩同一个坑：觉得实体识别就是抠关键词，不用在意歧义。
实体消歧是实体识别环节的核心难点，比如同样是“小米”，有的指小米公司，有的指粮食小米，错分之后，知识图谱的关联关系全错。据一些用户反馈，不少小团队做领域知识图谱，省了实体消歧的标注环节，最后搭出来的图谱根本没法用。
需要留意的是，通常我们做项目，会把三成以上的预处理时间花在实体标注和消噪上，不要上来就急着搭图谱框架。
当前行业的通用做法
通用场景下，现在大多用预训练模型微调做实体识别，成本比早年全手工标注低不少。
有意思的是，垂直专业领域比如医疗、法律，通常还是会加人工规则兜底，毕竟专业术语的特殊歧义，通用模型很难一次性分对。不过话说回来，成型的知识图谱也会反过来给实体识别提供训练数据，慢慢优化精度，形成正向循环。
您在实际使用或搭建知识图谱的过程中，还碰到过哪些实体识别的问题？欢迎结合具体场景继续探讨。
