3. 知识图谱构建流程：数据采集、信息抽取与知识融合
金融知识图谱的构建是一个系统工程，从海量异构数据源中提取结构化知识，最终形成可用于推理和查询的图结构。本章聚焦构建流程的核心三阶段：数据采集、信息抽取与知识融合。每个阶段都直接影响图谱的质量与后续A/B实验的基准线。
3.1 数据采集：金融多源异构数据接入
金融领域的数据源具有高时效性、强规范性（财报）与非结构化（新闻）并存的特点。采集层需要解决数据格式统一、增量更新与质量校验三大问题。
| 数据源类型 | 典型内容 | 采集频率 | 结构化程度 |
|---|---|---|---|
| 财报 | 资产负债表、利润表、现金流量表 | 季度/年度 | 高（表格为主） |
| 公告 | 重大合同、股权变动、关联交易 | 不定期 | 中（半结构化） |
| 新闻 | 行业动态、公司舆情、政策解读 | 实时/每日 | 低（纯文本） |
实战要点：财报数据建议使用交易所官方XBRL接口采集，保证数字精度；新闻数据需配置反爬策略与去重机制，避免同一事件被多次采集导致图谱实体冗余。
3.2 信息抽取：从文本到结构化三元组
信息抽取是将非结构化文本转化为(实体, 关系, 实体)三元组的过程。金融场景下，核心任务包括命名实体识别（NER）和关系抽取。
3.2.1 命名实体识别（NER）
金融NER需要识别的实体类型远超通用领域，包括公司名、人名、产品名、财务指标、行业术语等。常用方法包括基于词典的匹配、BiLSTM-CRF模型以及预训练语言模型（如BERT）。
# 示例：使用HanLP进行金融NER
from hanlp import HanLP
text = "贵州茅台2023年营业收入1505.60亿元，同比增长18.04%。"
doc = HanLP(text)
# 提取金融实体
for entity in doc.entities:
if entity.label in ['公司', '金额', '百分比']:
print(f"{entity.text} -> {entity.label}")
# 输出示例：
# 贵州茅台 -> 公司
# 1505.60亿元 -> 金额
# 18.04% -> 百分比
3.2.2 关系抽取
关系抽取识别实体间的语义联系。金融知识图谱中常见的关系类型包括：持股、担任、供应、竞争、属于行业等。可采用远程监督或基于Prompt的抽取方法。
关系抽取示例：“宁德时代向特斯拉供应锂电池” → 三元组：(宁德时代, 供应, 特斯拉)
3.3 知识融合：实体对齐与消歧
由于数据源多样，同一实体在不同文本中可能有不同表述（如“阿里巴巴”与“阿里集团”），知识融合负责将这些指代合并为统一节点。核心任务包括实体对齐与实体消歧。
3.3.1 实体对齐
实体对齐旨在发现不同知识库中指向同一现实对象的实体。常用方法包括：
- 基于属性相似度：比较实体名称、别名、行业分类等属性，使用编辑距离或Jaccard系数。
- 基于关系结构：利用实体在图中的邻居节点进行结构匹配。
- 基于表示学习：使用TransE、GCN等模型将实体嵌入到向量空间，通过向量距离判断对齐。
3.3.2 实体消歧
实体消歧解决一词多义问题。例如“苹果”可以指水果，也可以指科技公司。金融场景下，消歧通常依赖上下文特征与知识库先验。
| 消歧方法 | 原理 | 金融适用场景 |
|---|---|---|
| 基于词典 | 维护实体指称与标准名称的映射表 | 公司简称、股票代码映射 |
| 基于上下文 | 利用实体周围词向量进行聚类 | 新闻中同名人物区分 |
| 基于知识库 | 链接到外部知识库（如Wikidata） | 跨库实体统一 |
常见陷阱：实体对齐时，仅靠名称相似度容易误判。例如“中国银行”与“中国人民银行”名称相似但含义不同，必须结合实体类型与关系上下文进行校验。
3.4 构建流程总结与A/B测试切入点
完整的知识图谱构建流程可归纳为以下步骤：
- 数据采集：对接财报、公告、新闻等数据源，完成格式统一与存储。
- 信息抽取：通过NER识别实体，通过关系抽取构建三元组。
- 知识融合：进行实体对齐与消歧，消除冗余与冲突。
- 质量评估：对三元组进行置信度打分，过滤低质量数据。