核心要点
实体链接（EL）：把文本中的 mention 链接到知识图谱中唯一对应的实体
两步流程：候选生成（找出 mention 可能指向的实体集）+ 实体消歧（从候选中选最优）
消歧信号：上下文语义相似度、实体流行度先验、候选实体间的图结构一致性
解决一词多义：「苹果」→ 公司还是水果，靠上下文与全局一致性判定
标准回答
任务定义
实体链接（Entity Linking）把文本中识别出的 mention（如「苹果」）链接到知识图谱中唯一的实体节点，核心难点是歧义——同一表述可能对应多个实体。
候选生成
先用别名词典、字符串匹配、缩写表等召回 mention 可能指向的候选实体集合，兼顾召回率与候选规模。
实体消歧
从候选中选出正确实体，常用三类信号：（1）局部上下文——mention 周围文本与候选实体描述/类型的语义相似度（嵌入匹配）；（2）流行度先验——常见实体的先验概率；（3）全局一致性——同一文档内多个 mention 的目标实体应在图上彼此关联（用图结构/协同消歧建模）。
现代做法常用 BERT 类编码器把 mention 上下文与实体表示编码后打分，再结合全局一致性联合优化。例如「我用苹果写代码」结合「写代码」上下文应链到「Apple 公司」而非水果。
常见误区
⚠️ 常见踩坑
别把实体链接等同于 NER：NER 只负责识别 mention 边界与类型，实体链接还要把 mention 消歧并对齐到 KG 中唯一节点；NIL（库外实体）也需处理。
追问
追问 1：如何处理 KG 中不存在的实体（NIL）？
设置 NIL 阈值或专门的 NIL 分类器：当所有候选的消歧得分都低于阈值，或最优候选置信度不足时判为库外实体，标记为 NIL，避免强行错链；后续可触发新实体发现与入库流程。
追问 2：局部消歧与全局消歧（协同消歧）有何区别？
局部消歧只看单个 mention 的上下文独立打分，快但忽略文档级关联；全局消歧联合优化同一文档所有 mention，使目标实体在 KG 上彼此连贯，准确率更高但计算复杂（常建图后用迭代/随机游走/优化求解）。
延伸学习
与本题相关的知识库文章、术语、工具与行业资讯。