NER全稱Named-entity recognition（命名實體識別），是指識別文本中具有特定意義的實體，主要包括人名、地名、機構名、專有名詞等。
知識圖譜中包含了許多實體的知識信息，能夠輔助NER問題。與常規NER不同的是，使用知識圖譜除了給出實體類型之外，還能夠精確地鏈接到知識圖譜的實體id上，是一個Entity Linking（實體鏈指）問題。
使用知識圖譜進行NER可以分為兩個步驟：1，選取候選實體集；2，鏈指到具體某個實體
1，選取候選實體集：這個步驟比較簡單，可以將知識圖譜所有數據建立一個從實體名稱-->實體id的倒排表，通過查詢到倒排表就能夠完成選取候選實體集功能。這里可以解決別名&簡寫問題，例如奧尼爾=大鯊魚，詹姆斯=小皇帝，將這種已知的別名信息也加入到倒排表中做為索引鍵。
2，鏈指到某個具體實體：通過第一步，在文本的每個實體會鏈接到1個或多個實體上，需要選擇其中一個最合適的。之所以可能被鏈接到多個實體，是因為實體名稱本身就存在歧義性。例如李娜可以是一個運動員，也是一個歌手；李白既是一個詩人，也是一首歌。
可以利用知識圖譜中的以下信息來進行實體消歧：
a）實體熱度：熱度分表示一個實體被大家所了解的程度，進行消歧時優先選擇高熱度分的實體。熱度分可以通過多種方式構建，例如在文本中出現的次數，百度百科中被瀏覽數，音樂/電影類實體的評論數等等。
b）實體上下文：將每個實體的上下文詞做為語義向量，比如蘋果（公司）的上下文詞是ipad，iphone，股價等，蘋果（水果）的上下文詞是好吃，顏色等，在做實體消歧的時候根據文本上下文進行判斷。
c）實體距離：知識圖譜中的實體通過關系（邊）進行連接，一般來說距離越近的實體點，其共現概率越大。如果已經判斷出來文本中某個實體，可以計算其他候選實體與其距離。
后續對于NER這塊內容可能還會深入了解，到時候再進行補充更新。
