实体链接与意图识别:让问答系统理解用户真正想问什么 系列导读你现在看到的是《从零搭建Neo4j图谱问答系统:实战指南与工程踩坑录》的第5/10篇,当前这篇会重点解决:解决自然语言到图谱映射的模糊性,是提升问答准确率的关键。上一篇回顾:第 4 篇《自然语言到Cypher:基于LLM的查询转换引擎实现》主要聚焦 核心转化引擎,教会读者如何让大模型准确写出Cypher。 下一篇预告:第 6 篇《答案生成与多轮对话:将Cypher结果转化为自然语言回复》会继续展开 让机器回答像人一样自然连贯,同时保证信息准确。全系列安排先想清楚再动手:Neo4j图谱问答系统架构设计与技术选型Neo4j实战入门:从安装到Cypher查询,以及千万级数据建模踩坑知识图谱构建实战:从多源非结构化数据抽取实体与关系自然语言到Cypher:基于LLM的查询转换引擎实现实体链接与意图识别:让问答系统理解用户真正想问什么(本文)答案生成与多轮对话:将Cypher结果转化为自然语言回复系统集成与API设计:用FastAPI封装Neo4j问答后端前端交互与可视化:用React搭建图谱问答对话界面性能优化与高并发:Neo4j查询、LLM推理、全链路压测实战生产部署与监控告警:Docker+K8s部署Neo4j问答系统导语在上一篇文章中,我们实现了基于LLM的自然语言到Cypher的转换引擎,让大模型能够理解用户意图并生成图谱查询语句。然而,一个关键问题摆在我们面前:用户问题