知识图谱中的实体抽取是指从非结构化或半结构化数据中识别和分类特定信息（实体），并将它们集成到结构化的图格式中的过程。 实体是不同的对象、概念或个体，例如人、组织、地点或产品，它们与其他实体具有关系。 例如，在诸如“苹果公司由史蒂夫·乔布斯在库比蒂诺创立”之类的句子中，实体抽取会识别“苹果公司”（组织）、“史蒂夫·乔布斯”（人）和“库比蒂诺”（地点）。 然后将这些实体添加到知识图谱中，它们可以通过关系（例如，“由...创立”或“位于...”）链接，从而创建一个相互连接的数据网络。
实体抽取的实施通常涉及自然语言处理 (NLP) 技术。 开发人员通常使用预训练的模型或库（例如 spaCy、Stanford NER 或 BERT）来检测文本中的实体类型。 例如，可以处理一篇新闻文章以提取公司名称、日期和地缘政治实体，然后将它们映射到知识图谱中的节点。 上下文在这里至关重要：“Apple”一词可以指公司或水果，因此消除歧义（使用周围的词语或外部数据）可确保正确的分类。 提取后，根据知识图谱中的现有条目验证实体，以避免重复。 实体之间的关系要么明确地推导出来（例如，句子中的“工作于”），要么通过分析共现或语义模式的算法来推断出来。
知识图谱中实体抽取的一个实际用例是改进搜索功能。 例如，电子商务平台可能会从客户评论中提取产品名称、品牌和属性，以构建将产品与“耐用”或“经济实惠”等功能联系起来的图。 挑战包括处理含糊不清的术语、跨大型数据集进行扩展以及在新数据到达时保持一致性。 开发人员还必须决定是依赖现成的工具还是构建针对特定领域语言（例如，医学或法律文本）量身定制的自定义模型。 实体抽取是创建随着新信息而发展的动态知识图谱的基础，从而能够实现推荐系统、欺诈检测或语义搜索等应用程序。