我们日常刷推荐、搜信息，背后大多跑着知识图谱与实体识别这套组合技术。
基础认知：到底在解决什么问题
实体识别是第一步，从文本、语音这类非结构化信息里，把有明确意义的独立个体抠出来。
比如你发一句“周末去杭州西湖玩”，它能帮你把“周末（时间）、杭州西湖（地点）”这两个实体拎出来。
知识图谱就是把这些拎出来的实体，按真实关系连成语义网络，就像一张整理好的关系网。
举个例子，美食APP搜“广州天河区早茶店”，平台能精准跳出对应列表，就是先靠实体识别拆分你的搜索词，再从知识图谱的关系网里找出匹配结果。
实操里要注意的常见问题
说实话，刚接触做垂直知识图谱的团队，很容易踩坑。
第一个就是实体边界分不清，同一个词在不同领域是完全不同的实体，“苹果”在生鲜领域是水果，在数码领域就是品牌，通用模型很容易认错。
据一些用户反馈，很多人一开始图省事，直接用公开的通用实体识别模型，结果准确率差一大截，就是没做自己领域的实体标注。
第二个坑就是知识图谱做完就扔一边不管了，实体关系是会变的，公司换了地址，品牌换了代言人，不更新就会出错误信息。通常建议，垂直领域的知识图谱，每三个月要做一次实体关系校验更新。
延伸：和传统搜索的差异在哪
传统搜索引擎靠关键词匹配，你搜“黄渤的导演作品”，它会把所有带这几个词的网页列出来，你得自己点进去找。
用了知识图谱加实体识别之后，它能直接识别你要找的是“黄渤”这个人物实体，对应的“导演作品”这个关系，直接把结果整理好给你。
有意思的是，不是所有场景都需要搭这套，要是只是做个小网站的站内搜索，完全没必要花这个成本，按需选择就好。
您在实际接触中还遇到过哪些和知识图谱与实体识别相关的问题？欢迎结合具体场景继续探讨。
