一句话结论：实体识别用于判断页面上的某个名称对应引擎已知的哪一个实体。只有将提及、引用或标记中的断言对应到正确的实体节点，相关信用才会记到应归属的实体名下；一旦解析失败，信用就会失去归属、被归到错误对象名下，甚至完全不被计入。

---

一、被点名不等于被认出来

你可能已经做了很多 GEO 工作：内容被 AI 引用、品牌被站外提及、结构化数据也加了。但有没有想过一个问题——AI 引擎真的知道这些信用该记到你头上吗？

生成式答案署名给的是一个实体，而不是一串字符。如果引擎无法把页面上的名称对应到已知的规范实体，那么提及、引用或标记带来的信用就无法归属，或者会被归到其他同名实体名下。这就是实体识别（entity recognition）要解决的问题——它是整条链路中最容易被忽视、却最关键的一步。

这篇把实体识别拆成机制、输入、平台差异、反模式四个层面，讲清楚：为什么未解析的实体拿不到信用、引擎如何解析、如何让自己的实体被可靠解析。

二、实体识别是什么

实体识别是一套机制，决定 AI 引擎能否分辨你是谁、你是什么，并把你获得的各种信号归到正确的实体节点上。

GEO Wiki 的工作定义：在 GEO 语境下，实体识别是 AI 引擎把一个表层名称（surface form，也就是页面或查询中出现的品牌、产品、作者字符串）对应到已知的规范实体（canonical entity），并与同名实体区分开的过程。只有完成这一步，与这串字符相关的信用才能归于正确的节点。

它需要与三个相关概念区分开：

• 解析 ≠ 可被引述：让一段话可被原样取用，是可引用性的事。
• 解析 ≠ 被信任：解析出的实体是否可信，是 E-E-A-T 的事。
• 解析 ≠ 节点存在：Wikidata 节点本身是知识图谱存在度的事；实体识别解决的是如何把一次提及正确对应到该节点。

三、为什么未解析的实体拿不到信用

未被解析的实体，拿不到信用。 只有把一次提及、一次引用或一处标记断言对应到正确的实体节点，相关信用才会记到应归属的实体名下。名称未能解析时，即使被点名或引用，相应信用也不会生效。

正如品牌提及所说：“没有提及的链接，权威动作不完整”；可引用性也强调：“可引用是必要条件，不是充分条件”。解析是整条链路的关键一步，不是锦上添花。

 提及 / 引用 / sameAs 断言
 │
 ▼
 [ 实体解析层 ]  ← 本条目
 表层名称 → 候选 → 消歧 → 节点
 │
 ┌────────────┴────────────┐
 ▼                         ▼
 已解析                    未解析 / 错配
 → 先验与信用记到你的节点    → 信用被丢弃，或附着到错误实体
                           （同名冲突）

解析发生在检索之前的解析与实体层，Schema.org 标记也在这环节发挥作用。完成实体解析后，系统才进入答案循环的采信与选择环节，可引用性与 E-E-A-T 在这一环节影响判断。解析并不决定取用哪段内容，而是决定相应信用最终归于哪个实体。

四、机制：实体解析流程

解析的基本机制是先做命名实体识别（NER），再做实体链接（entity linking）：

 表层名称 "Acme"（页面或查询里的字符串）
 │
 ▼
 候选生成  "Acme" 可能是哪些已知实体？
          （Acme 公司 · Acme 工具 · 同名乐队 …）
 │
 ▼
 消歧      上下文 + 共现 + 先验，挑出其一
 │
 ▼
 规范实体   信用最终附着的那个节点

消歧依赖三类输入，三者的权重并不相同；各平台正是因为主要依赖的输入不同而有差异：

输入	如何影响解析	来自哪里	何时占主导
① 显式解析凭据	一条直接指向正确实体节点、不会产生歧义的链接，让引擎无须再做推测	sameAs、结构化标识符、权威主页链接	会读取并解析结构化数据的索引集成型平台
② 消歧上下文	提供足够线索，从多个可能匹配的实体中确定唯一对象	一致的规范名称、各渠道一致的 NAP、每次提及附近的描述性共现词	没有显式凭据时（开放网络上的大多数情形）
③ 模型既有先验	在多个候选中优先选择训练时反复得到印证的实体	训练数据和检索结果中有多少相互一致的信息支持该实体	没有结构化层可读的纯 LLM 平台

sameAs 可以作为显式的解析凭据。 Google 明确说，它"在后台用于把你的组织与其他组织区分开"。具体而言，sameAs 声明本页所指的实体就是相应 Wikipedia/Wikidata 链接指向的实体；只有当全网其他信息都不与这项声明矛盾，引擎才会接受，并从多个候选中确定唯一节点。

五、怎样让实体得到可靠解析

提高解析的可靠性，关键在以下几项措施：

可采取的措施	如何帮助解析	对应输入	常见失败
sameAs 或结构化标识符	给引擎一条直接指向正确实体节点的显式链接	①	缺少显式链接，实体始终无法对应到知识图谱节点
全网统一的规范名称与 NAP	使不同渠道的提及都能对应到同一个候选实体	②	各渠道身份信息不一致，系统持续生成多个候选
每次提及附近附带消歧上下文（角色、领域、限定词）	通过语境把你与同名者区分开	②	同名冲突未解决，信用归给规模更大的同名实体
一个已认领的知识图谱节点作为解析目标	让解析最终对应到已有权威记录的实体	① 与 ③	缺少可对应的目标节点
选择有辨识度且能避开同名的名称	从源头减少可能混淆的同名候选	②	每次生成候选列表时，同名实体都更占优势

单方声明不足以确立身份；全网信息必须相互印证，形成唯一且一致的身份。 实体能否被可靠解析，正是这种一致性带来的结果。这个身份是否可信，才轮到 E-E-A-T 来判断。

六、不同平台如何解析实体

各平台都遵循上述流程，差异在于主要依赖哪一类输入：

平台	占主导的解析输入
Google AI Overviews 与 AI Mode	索引与知识图谱；主要依赖显式标识符（①），知识图谱用于补充判断
Google Gemini	依赖共现与知识图谱节点（② 与 ③），知识图谱在无法明确解析时补充判断
ChatGPT 与 Perplexity（实时抓取）	模型先验与实时抓取页面中的上下文（② 与 ③）；生成答案时 JSON-LD 不会被当作知识图谱来解析，解析主要依赖模型先验与知识图谱，而不是抓取时读取页面上的标记

这是"加了 sameAs 也不保证解析"的关键原因：在纯 LLM 的实时抓取场景，引擎根本不读你的 JSON-LD。

七、证据说明了什么、又没说明什么

现有证据已充分支持实体解析机制的基本方向；但在品牌层面，投入越多是否一定解析得越可靠，目前并无定论：

证据能支持什么	不能据此推出什么
实体获得的佐证越广泛，模型对它的回忆与处理就越可靠：模型能稳定解析热门实体，长尾实体不能（Kandpal 等；Mallen 等）	这些论文度量的是对 Wikidata 事实的 QA 准确率，并以 Wikipedia 浏览量衡量热度，没有度量品牌实体解析。推广到品牌只能视为类比，不能当直接结论
索引集成型平台依靠显式标识符和知识图谱完成解析：Google 说 sameAs 用于把你的组织与其他组织区分开（可追溯到知识图谱 2012）	只说明实体达到基本解析门槛，并不表示会因此获得排名加成
业界实践已把实体消歧（“实体漂移”“身份坍缩”）视为 AI 搜索首要问题（Search Engine Land，2026）	只从业界实践佐证问题存在，不能独立证明机制或效应量

特别要注意：Aggarwal 等关于 GEO 的研究（KDD '24）度量的是页内内容改写（加引用、加统计、加引述），并不是实体解析。研究中最高约 40% 的提升并不适用于"改善实体识别"——把这个数字直接用于实体解析，属于过度外推。

解析依赖多方相互印证，而非单方声明。 单凭一条 sameAs 无法完成解析；只有多个独立来源提供一致的身份信息，才能形成足以支持解析的佐证。这与"标记是声明，不是奖励""靠挣得，不靠标注"含义一致。

八、反模式：身份含混与认错实体

误读	为什么看似合理	实际问题
「我们到处都被点名，那肯定被解析了」	提及次数多，似乎代表权威度高	未妥善处理的同名冲突会使模型先验分散到几个同名实体；决定结果的是能否正确解析，不是提及次数
「各渠道用不同名称／账号，做品牌没关系」	不同渠道用不同表达，似乎更灵活	信息分散到多个候选实体，系统始终无法确定唯一节点
「伪造一条指向知名节点的 sameAs」	似乎可以立即建立关联	多方信息不一致会使声明失效；造假的解析链接也会被识别
「光靠标记就能解析我们」	似乎已提供明确凭据	纯 LLM 平台在生成答案时不解析 JSON-LD；显式凭据还要多方一致信息支持
「我们有 Wikipedia 页面，所以被解析了」	似乎已具备明确身份	Wikipedia 页面只证明节点存在；实体识别还要把具体提及正确对应到这个节点

实体识别失败，几乎从来不是"没有身份"，而是认错了对象，或者根本无法确认。解决办法是保持一致，而不是一味增加数量。

九、落地行动清单

1. 先做同名排查：搜一遍你的品牌名，确认是否存在规模更大的同名实体，评估同名冲突风险。
2. 部署 sameAs：在 Organization 结构化数据中添加指向 Wikipedia/Wikidata 的 sameAs，并确认全网信息不与声明矛盾。
3. 统一身份信息：所有渠道使用一致的规范名称与 NAP，避免"实体漂移"“身份坍缩”。
4. 每次提及附消歧上下文：角色、领域、限定词一起出现，帮引擎区分同名者。
5. 认领知识图谱节点：建立或认领你的 Wikidata/Google 知识图谱条目，作为解析的目标节点。
6. 不指望标记万能：纯 LLM 平台生成答案时不解析 JSON-LD——站外一致的提及同样重要。
7. 别过度外推：Aggarwal 的 +40% 是页内改写结论，不能用于实体解析的 ROI 测算。
8. 保持一致性优先于数量：身份分裂时，提及越多只会加剧分裂。

十、FAQ

Q1：实体识别不就是个 NLP 细节吗，为什么对 GEO 重要？
因为这一步决定整条链路能否成立。生成式答案署名给的是一个实体，而不是一串字符。如果引擎无法把页面上的名称对应到已知的规范实体，提及、引用或标记带来的信用就无法归属，或者会被归到其他实体名下。实体识别把结构化节点本身（知识图谱存在度）与站外提及信号（品牌提及）联系起来。

Q2：它和知识图谱存在度、品牌提及有什么区别？
三者分工明确。品牌提及关注站外不带链接的提及如何强化模型先验；知识图谱存在度关注结构化节点本身（Wikidata 或 Google 知识图谱中的条目）；实体识别则负责把一个名称无歧义地对应到这个节点。提及强化先验，节点提供归属对象，实体识别负责把提及中的名称对应到节点。

Q3：加了 sameAs 标记，实体就一定能被解析吗？
不一定。sameAs 是最强的显式解析凭据（Google 明确说它用于把你的组织与其他组织区分开），但解析依赖多方相互印证，而非单方声明。在纯 LLM 的实时抓取场景，系统生成答案时不会把 JSON-LD 当作知识图谱来解析。孤立的 sameAs 若没有全网一致的身份信息佐证，只能算单方声明，不能完成解析。标记是必要条件，远不是充分条件。

Q4：为什么知名品牌比我更容易被解析？
因为实体能否被可靠解析，取决于佐证是否广泛。长尾知识研究（Kandpal 等，ICML 2023；Mallen 等，ACL 2023）显示，模型对热门实体的回忆与处理远比冷门实体可靠，研究以 Wikipedia 页面浏览量衡量热度。同样的规律也影响消歧：知名实体更容易被准确回忆、提及和正确识别。不过，将这条规律应用于品牌实体只是类比，并不是已测得的品牌结论。

Q5：实体识别最常见的失败是什么？
失败几乎从来不是"没有身份"，而是认错了对象，或者根本无法确认。一个未妥善处理的同名冲突（你的品牌和一个更大的实体共用同一串字符），会让相应信用归到规模更大的同名实体名下。名称、账号或 NAP 在各渠道不一致，会使信息分散到多个候选实体，始终无法确定唯一节点。解决办法是保持一致，而不是一味增加数量；身份本就分裂时，提及越多只会加剧分裂。伪造 sameAs 与伪造署名一样，最终都会因缺乏多方相互印证而失效。

参考资料

学术：

• Kandpal, N., Deng, H., Roberts, A., Wallace, E. & Raffel, C. (2023). Large Language Models Struggle to Learn Long-Tail Knowledge（ICML 2023）：https://arxiv.org/abs/2211.08411
• Mallen, A. et al. (2023). When Not to Trust Language Models: Investigating Effectiveness of Parametric and Non-Parametric Memories（ACL 2023）：https://aclanthology.org/2023.acl-long.546/ · https://arxiv.org/abs/2212.10511
• Aggarwal, P. et al. (2024). GEO: Generative Engine Optimization（KDD '24，用于界定证据边界；该研究并未度量实体解析）：https://arxiv.org/abs/2311.09735

官方：

• Google — Introducing the Knowledge Graph: things, not strings（2012，奠定"实体，而非字符串"模型）：https://blog.google/products-and-platforms/products/search/introducing-knowledge-graph-things-not/
• Google Search Central — Organization structured data（sameAs"在后台用于把你的组织与其他组织区分开"）：https://developers.google.com/search/docs/appearance/structured-data/organization
• Schema.org — sameAs（“无歧义地标明该项身份的参考网页 URL”）：https://schema.org/sameAs

业界：

• Search Engine Land — Why entity authority is the foundation of AI search visibility（Benu Aggarwal，2026）：https://searchengineland.com/entity-authority-ai-search-visibility-471619

---

本文围绕实体识别的定义、解析流程、三类输入、平台差异与反模式撰写，核心判断均可在上述论文、官方文档与业界文章中追溯。