你刷购物平台搜“适合敏感肌的夏季防晒”能精准匹配到对应商品，背后就有知识图谱与实体识别的功劳。
先搞懂：这俩到底在搭什么
说白了，实体识别就是给文字“抠有实际意义的信息块”。没那么玄乎。
举个例子，你写的外卖评价“今天点的喜茶多肉葡萄少冰，配送慢到离谱”，实体识别会自动抠出【喜茶】（品牌主体）、【多肉葡萄】（产品主体）、【少冰】（规格属性）、【配送时效】（服务维度）这些核心信息，不会把“慢到离谱”这种情绪废话算成实体。
知识图谱就是把这些抠出来的实体串成有关系的网络。比如喜茶→所属品牌主体→深圳某餐饮公司，多肉葡萄→所属品类→果茶，少冰→适配场景→夏季饮用，所有关联都有明确的指向，不是零散的关键词堆在一起。
实操里常遇到的坑
实体识别的核心不是抠所有名词，而是抠和业务相关的有价值的实体。很多人一开始图省事，直接拿通用实体识别模型跑自己的垂直业务，最后准确率掉得很厉害。
据一些用户反馈，做医药相关业务的团队，一开始用通用模型，把“对乙酰氨基酚”识别成普通化学物质，没关联到“感冒用药”的实体属性，后续知识图谱连不上，用户搜相关病症时根本匹配不到对应药品。
还有个容易忽略的点，实体库不是建完就万事大吉。新出的产品、新的网络热词、新的业务规则，通常每1-2个月就要补一次实体词表，不然新上线的商品、新出的活动规则，系统根本认不出来。
和普通关键词搜索的区别在哪
普通关键词搜索，是匹配所有带对应文字的内容。比如你搜“苹果”，出来的可能是数码评测、生鲜水果测评、甚至是某个叫“苹果”的网红博主的内容。
加了知识图谱和实体识别之后，系统会先判断你搜的“苹果”对应的实体归属，再把关联的实体信息推给你。有意思的是，现在不少企业内部知识库也在用这套逻辑，你搜“去年Q3的华东区差旅报销规则”，系统会直接抠出对应时间、区域、规则类型的实体，匹配到对应文档，不用你翻几十上百个文件夹。
您在实际落地这类系统的时候，遇到过哪些识别不准的奇葩场景？欢迎结合具体情况继续探讨。
