---
title: "實體鏈接（Entity Linking）"
slug: entity-linking
language: zh-TW
source: https://aiterms.tw/terms/entity-linking
updated_at: 2026-04-29
tags: [自然語言處理, 知識圖譜, AI應用, 資料處理, 機器學習]
ipas_term: false
---

# 實體鏈接（Entity Linking）

> **你看到一句話裡的「蘋果」時，會不會先卡住，不知道是公司還是水果？**
> 你可以把實體鏈接想成，先找出文本裡提到的是誰或什麼，再把它對上知識庫裡真正的條目。
> 它其實就是把文字中的實體提及項，連結到對應的唯一實體，讓模型知道這個名字到底指哪一個人、地點、公司或產品。

### 容易混淆
> **實體鏈接 vs 命名實體辨識**
> 命名實體辨識只負責找出「這裡有一個人名、地名或組織名」，實體鏈接還要把它對到知識庫裡的正確對象。
>
> **實體鏈接 vs 共指解析**
> 共指解析是在找「他、她、這家公司」指的是不是同一個對象，實體鏈接是在找它對應到知識庫中的哪一筆資料。
>
> **實體鏈接 vs 關係抽取**
> 關係抽取在找實體之間有什麼關係，實體鏈接只負責把實體先對準。
>
> **最關鍵的區別：** 先判斷你是在找名稱、找對象，還是在找關係。

### 記住這句就好
> 先認出名字，再對到唯一的人或物。

### 實際案例
> **案例一：新聞摘要系統**
> 文中提到「Paris」時，系統要判斷是法國巴黎還是人名相關條目，連結正確後，摘要和推薦才不會歪掉。
>
> **案例二：客服知識庫**
> 使用者輸入產品別名或舊名稱時，實體鏈接會把它對到最新的產品條目，讓後續查詢、維修或推薦更準。

### 算法與應用
> 實體鏈接通常分成候選生成和歧義消除兩步。先用字典、檢索或 NER 找出候選實體，再根據上下文、知識圖譜和語意相似度做判斷。很多系統也會把共現詞、頁面連結或實體先驗機率一起納入，讓「同名不同人」的問題更好解。

### 情境判斷
> **Q1（直覺題）：** 句子裡出現「Apple」，系統先判斷它是公司還是水果，這屬不屬於實體鏈接？
>
> → 屬於，因為它不只是在找名詞，而是在把這個名詞對到正確的實體。
>
> **Q2（判斷題）：** 如果文本裡完全沒有上下文，只剩一個名字，還能穩定做實體鏈接嗎？
>
> → 很難。這時通常要看外部知識、使用者歷史、來源領域或其他輔助訊號，否則同名歧義會很大。

### 常見問題
> **Q：實體鏈接的評估指標有哪些？**
> 常見會看準確率、Top-k 命中率、micro/macro F1，還會看歧義消除是否穩定。
>
> **Q：如何處理實體提及項的歧義？**
> 可以加上下文特徵、領域知識、詞彙共現資訊，必要時先縮小候選集，再做精細判斷。
>
> **Q：實體鏈接的未來發展趨勢是什麼？**
> 方向多半是更好的語境理解、更大的知識庫覆蓋率，以及跟大型語言模型結合後的動態對齊能力。

### 相關術語
> - **命名實體辨識**：讀完這個再看它，可以分清楚「找出來」和「對上去」的差別
> - **知識庫**：實體鏈接最後要對準的目標
> - **關係抽取**：實體對準之後，才容易進一步看關係
> - **共指解析**：讀完這個再看它，可以處理同一對象在文中不同說法
> - **自然語言處理**：實體鏈接是 NLP 裡很常見的基礎任務

---

來源：https://aiterms.tw/terms/entity-linking
快查頁：https://aiterms.tw/terms/entity-linking
最後更新：2026/04/29
深度解說：https://aiterms.tw/learning/what-is-entity-linking