# Summary Named Entity Recognition > 本质上我们遇到的是一个“实体表面串回对齐”的问题：模型只给出了实体文本（甚至给出的起止 offset 不可靠），我们需要把它重新 对齐回原文，找出每一个出现位置并保证实例互不重叠。换句话说，它就是“在一段文本里寻找多次出现的同一子串”并为每次出现分配 唯一区间的任务。 # Cues # Notes ## 🔹 规则 / 字典匹配（基础版） - **方法**：维护一个 POI 词典（旅游数据库，比如景区名单、地标清单），用 **分词 + Trie 匹配** 或 **正则** 来检测。 - **优点**：实现简单、速度快。 - **缺点**：新景点、别名、俗称识别不全。 ## 🔹 命名实体识别（NER, Named Entity Recognition） - **方法**：训练或 fine-tune 一个 NER 模型，让它识别 **地名/景点类别的实体**。 - **技术**：BERT、RoBERTa、MacBERT、ERNIE 等中文预训练模型。 - **标注**：需要标注语料，把 “白哈巴” → `LOC/POI`。 - **优点**：对口语化表达、别名适应更好。 - **缺点**：需要标注数据。 ## 🔹 大模型 (LLM) Prompting - **方法**：直接给大模型提示：“请提取文中提到的景区/地名/POI”。 - **优点**：零样本就能提取，鲁棒性强。 - **缺点**：成本高，速度比 NER 慢，不一定稳定。 ## 🔹 知识图谱 + NLP - **方法**：先用 NER 抽取候选实体 → 再跟已有旅游知识图谱（比如高德/携程 POI 数据库）做 **实体链接 (Entity Linking)**。 - **优点**：能把 “空中草原” 这种俗称匹配到数据库里的标准 POI 节点。 - **缺点**：需要维护数据库 + 实体对齐算法。