3.1 从文本片段到规范实体
实体抽取是一系列相关任务。提及检测寻找文本片段，命名实体识别为片段分配类别，实体链接在适当情况下将其映射到已有实体，共指消解连接语境中指向同一对象的表达，实体消歧与归一则协调不同来源的记录。系统即使能准确识别提及边界，仍可能犯下严重的身份错误。
考虑虚构文本：“Mei Chen在Northbridge Institute展示了GraphLens。Chen随后发布了它的评价数据集。”第一句引入人物、方法或软件系统，以及机构；第二句需要判断Chen是否仍指同一人，并确定“它”的指向。流程应保存原始片段和可能的解释。如果GraphLens也是某个无关商业产品的名称，仅按表面名称链接便会造成误导。
规范实体是系统当前对某个指称对象的统一表示，应具有稳定标识，并记录把各次提及归入该实体的证据。新提及不应自动产生新规范实体；未知实体也不应被强行归到最接近的现有候选。NIL或“未解决”常常才是正确结果，图谱可以在获得更多信息后重新处理这些提及。
3.2 方法及其适当职责
当标识符格式严格，或词汇集合小而稳定时，字典与模式规则依然有用。DOI模式、设备序列号、人工维护的内部项目代码，可能更适合用确定性规则抽取。规则也便于审核者查看精确匹配条件，但其弱点是覆盖不全、容易受表达变化影响。将规则与学习模型结合，可以在标准字段上保持高精确率，同时提高自然语言表达的召回率。
Lample等人利用字符、词表示与序列建模展示了神经命名实体识别方法[13]；BERT引入上下文化语言表示，成为许多抽取系统的基础[14]。这些贡献针对表示和预测，不能替代适合领域的标注政策。只训练过Person、Organization和Location的模型，不会自动理解科学方法、度量指标和数据集版本之间的区别。
基于片段的方法表示并分类候选文本跨度，更便于处理重叠或嵌套提及。SpERT将Transformer表示用于实体与关系抽取[16]；DyGIE++用上下文化片段表示连接实体、关系与事件抽取[17]。它们展示了简单词元标注流程以外的选择。实际选型取决于语料是否包含嵌套术语、跨句指代，以及围绕同一表达的多种关系。
大语言模型可以依据指令和示例生成结构化实体候选，在缺少大型标注数据集时具有灵活性。不过，生产系统仍应限制输出模式，要求来源片段，验证标识与类型，并允许暂不判断。一个听起来合理、却没有在来源中出现或不能由来源支持的实体，不应进入已接受图谱。要求模型“准确”，远不如检查其输出可观察的性质可靠。
实体抽取分开处理提及检测、候选生成、实体链接和复核。允许暂不判断，以保留不确定性而非强行认定身份。
原图保留中英文标签；请结合正文解释阅读。点击可查看大图。3.3 实体链接与身份归一
实体链接通常先生成候选，再进行候选排序。候选生成应优先保证召回，因为正确实体必须先出现在集合中，排序器才有机会选中它。排序阶段再比较语境、别名、描述与可用标识。BLINK先使用稠密检索，再作更细致的候选评分，以支持可扩展实体链接[15]。这里的实践启示在于分层架构：低成本检索和更有选择性的消歧阶段承担不同职责。
研究证据图谱依次使用精确标识、规范化标题与语境，最后将不确定匹配送入审核队列。经过验证的精确DOI匹配，是文档身份的有力证据；标题相似但年份和作者名单不同，则需要调查。人物的任职与合作者语境有帮助，但不能被当作永久身份属性：人会转职，两个人也可能同名且在同一机构工作。
身份归一的错误成本并不对称。漏合并可能造成信息重复，误合并两个研究者则可能把论文和主张归给错误的人。因此，接受阈值取决于下游任务：发现界面可以显示可能匹配，归属认定或评价系统则应在合并前要求更强证据。阈值应根据标注案例和审核成本选择，不能只因模型方便地输出了某个小数。
审计记录应保存合并理由并支持撤销。一种实用表示是将规范实体与来源记录分开，为每个映射附加状态。若后来否定合并，系统修改映射并重算派生视图，而不破坏性替换所有原始标识。这样的设计也能解释实体为何具有某个标签或属性。
3.4 语言 版面与领域难点
中英混合文档带来特定困难。中文词边界不总由空格标记，缩写可能保留英文，译名也可能因来源而不同。规范化时，应同时保留原始词形与标准形式。多语言别名表有助于检索，但别名还应带有语言和来源信息；否则，在一个领域无歧义的缩写，可能导致另一个领域的实体被错误合并。
文档版面也承载意义。表头中的数据集名称可能适用于多行，脚注可能限定数值，图注可能定义全文只出现一次的缩写。把PDF压平为单一文本流，会破坏这些联系。可靠流程应在抽取前保存章节、表格、图注和阅读顺序。对扫描材料，光学字符识别错误应与抽取模型错误区分，因为二者需要不同修复方法。
专业领域需要仔细定义类型。“Transformer”可能指模型家族、具体架构或电气设备；“Control”可能指对照组、控制程序或指令。正确标签依赖语境和图谱目的。标注指南应提供正例、近似但不属于的例子，以及边界情形。标注者分歧有时揭示的是模式含糊，而不只是标注粗心。
3.5 评价与复核
实体抽取评价应分开考察片段边界、类型、实体链接与端到端规范化的准确性。精确片段匹配便于复现，放宽的重叠度量则可诊断接近正确的情况。只报告综合分数，会掩盖错误来自检测还是身份认定。评价数据应包含低质量扫描、中英混合段落、未见过的名称及知识库中不存在的实体。仅含熟悉名称的简单基准，可能明显高估部署质量。
审核可以按后果和不确定性排序。低置信、尚无下游用途的提及可以等待；支撑许多重要主张的不确定身份则应优先检查。队列也应抽查高置信预测，以发现只按低置信筛选会漏掉的系统性错误。审核修订应经受控流程更新标注评价集，同时保留独立留出集测量改进。
因此，实体抽取的产物应是带证据锚点、身份决策和不确定性记录的候选集合。把它视为“文本一步转成真理”，会使后续修复昂贵；把它视为一连串可撤销的解释，图谱便能随来源、模型与人的理解变化而改进。