知识图谱构建工具_[AI]知识图谱的构建与应用

如识图谱的构建与应用技术。

构建知识图谱的本质是一个从数据采集，数据建模到数据存储的过程。

(1)通过结构化数据库、爬虫等方式获取知识图谱原始数据；

(2)对数据进行预处理。其中，文本数据往往需要借助自然语言处理技术；

(3)提取数据中的实体和关系。其中，不同来源的知识需要进行知识融合；

(4)构建三元组；

(5)存储三元组信息。可以采用关系数据库和Neo4j等图数据库；

(6)使用知识图谱。

知识图谱在金融投资领域的应用。

通过知识图谱，我们可以进行产业链的挖掘，建立更为全面深入的事件驱动投资策略，构建知识图谱类因子，改善现有分析框架等。

产业链挖掘，通过对比产业链的产品和服务网络中的“实体”与上市公司主营业务产品网络中的“实体”，并将相同的“实体”进行链接，即可确认不同公司在产业链中的具体位置。此外，知识图谱也可以根据不同的关系得到不同的网络信息，例如，股权网络挖掘、供应链挖掘、热点主题挖掘等。

事件驱动策略。以业绩预警事件在应收账款网络中的传播为例，除了直接发生业绩预警事件的上市公司外，这些公司的主要应收账款债权人也受到相同方向的冲击，但影响幅度会有所减弱且具有一定的滞后性，类似地，其他事件也可能存在这种传递效应，例如，大股东重大负面信息(例如，偷税漏税)在股权网络中的传播、主营业务产品产量大幅减少在供应链网络中的传播等。

如识图谱类因子。可以采用供应链、股权等数据构建图网络相关因子，包括：下游企业的业绩、上游企业的基本面、关联公司的数量和分散度、企业在图网络中的重要性、中心性等因子，由于这类因子包含关联结构，能够提供额外的信息，因而与传统因子的相关性通常较低。

对现有分析框架的改进。以行业基本面量化为例，知识图谱标准化了不同品种/行业的分析和研究框架，由此带来的改进主要体现在以下三点。

(1)可以对知识图谱中的任一节点进行预测和分析。例如，要研究铝的库存情况，只需选取与库存有关联关系的所有节点作为初始变量集；

(2)将知识图谱中的结构信息带入量化模型中。例如，采用主成分分析降维，可以对每个包含关系下的分项变化汇总为一个主成分等。

(3)可以在传统量化模型的基础上叠加行业观点。

(来源侠说)