基础认知：两者到底是怎么配合干活的
实体识别其实就是先从一堆杂乱的文字、数据里，把「实实在在有明确指代的内容」抠出来。可能是人名、地名、商品名，也可能是时间、日期这类概念。
知识图谱呢，就是把抠出来的这些实体，按真实存在的关系连起来，织成一张可以快速调取的关系网。
比如你在搜索引擎搜「北京到上海的高铁票」，实体识别先抠出北京、上海、高铁票三个核心实体，知识图谱再直接调取两个城市之间的交通关联，把实时时刻表放在结果最前面，不用你再翻一堆网页找。
实际应用里要留意的常见问题
很多新手刚接触的时候容易踩坑，觉得实体识别只要抠出关键词就完事了。说实话没这么简单。
比如句子里出现指代「它去年的销量涨了三成」，这个「它」到底对应哪个产品实体？很多基础模型识别不出来，得靠人工加业务规则补全。
另外，知识图谱不是建完就能一劳永逸。据一些用户反馈，不少中小公司建完一次图谱就扔在那儿，过了半年实体信息都变了——品牌改名、新产品上新、旧产品下市，原来的关联关系全错了，用的时候错漏百出。
我们通常建议，高频更新的电商、社交类场景，每个月同步一次实体数据，低频的政务、文献类场景，一个季度更新一次也够用。
它和普通关键词检索的区别
有意思的是，很多人会把两者混为一谈。
普通关键词检索，核心是找「包含关键词的内容」，知识图谱加实体识别，核心是找「实体和实体之间的真实关系」。
比如你搜「孙俪演过的电视剧」，普通关键词搜索会给你一堆带这句话的网页，用了这套组合技术的搜索，会直接整理出所有作品列表，还会同步带出合作导演、评分信息放在侧边，一目了然。
从实操角度看，现在大部分主流互联网产品都已经落地了这套技术，只是普通用户感知不到而已。
您在实际接触知识图谱与实体识别的场景中，还遇到过哪些问题？欢迎结合具体情况继续探讨。
