NER全称Named-entity recognition（命名实体识别），是指识别文本中具有特定意义的实体，主要包括人名、地名、机构名、专有名词等。
知识图谱中包含了许多实体的知识信息，能够辅助NER问题。与常规NER不同的是，使用知识图谱除了给出实体类型之外，还能够精确地链接到知识图谱的实体id上，是一个Entity Linking（实体链指）问题。
使用知识图谱进行NER可以分为两个步骤：1，选取候选实体集；2，链指到具体某个实体
1，选取候选实体集：这个步骤比较简单，可以将知识图谱所有数据建立一个从实体名称-->实体id的倒排表，通过查询到倒排表就能够完成选取候选实体集功能。这里可以解决别名&简写问题，例如奥尼尔=大鲨鱼，詹姆斯=小皇帝，将这种已知的别名信息也加入到倒排表中做为索引键。
2，链指到某个具体实体：通过第一步，在文本的每个实体会链接到1个或多个实体上，需要选择其中一个最合适的。之所以可能被链接到多个实体，是因为实体名称本身就存在歧义性。例如李娜可以是一个运动员，也是一个歌手；李白既是一个诗人，也是一首歌。
可以利用知识图谱中的以下信息来进行实体消歧：
a）实体热度：热度分表示一个实体被大家所了解的程度，进行消歧时优先选择高热度分的实体。热度分可以通过多种方式构建，例如在文本中出现的次数，百度百科中被浏览数，音乐/电影类实体的评论数等等。
b）实体上下文：将每个实体的上下文词做为语义向量，比如苹果（公司）的上下文词是ipad，iphone，股价等，苹果（水果）的上下文词是好吃，颜色等，在做实体消歧的时候根据文本上下文进行判断。
c）实体距离：知识图谱中的实体通过关系（边）进行连接，一般来说距离越近的实体点，其共现概率越大。如果已经判断出来文本中某个实体，可以计算其他候选实体与其距离。
后续对于NER这块内容可能还会深入了解，到时候再进行补充更新。
