01
金融事件图谱概述
什么是金融事件图谱 · 图谱在风控与投研中的应用价值 · 课程整体架构与学习路径
入门全景
02
知识图谱基础
实体-关系-属性三元组 · 图数据库（Neo4j）简介 · RDF与属性图模型对比
三元组Neo4j
03
金融数据源分析
结构化数据（财报、行情） · 半结构化数据（新闻XML） · 非结构化数据（研报PDF、公告）
数据源多模态
04
爬虫与数据采集
Python爬虫基础（Requests/Scrapy） · 金融网站API对接 · 反爬策略与合规注意事项
爬虫API
05
数据清洗与预处理
缺失值处理 · 异常值检测 · 文本去噪（HTML标签、特殊字符） · 中文分词（Jieba）
清洗分词
06
命名实体识别（NER）
基于规则（正则+词典）的实体抽取 · 基于BERT的金融NER模型 · 实体对齐与消歧
NERBERT
07
关系抽取技术
远程监督关系抽取 · 基于预训练模型（如ERNIE）的关系分类 · 模式匹配与依存句法分析
关系预训练
08
事件抽取基础
事件触发词识别 · 事件论元抽取 · ACE事件体系与金融事件体系（如并购、违约）
事件触发词
09
金融事件类型定义
常见金融事件（融资、收购、财报发布、高管变动、监管处罚）的Schema设计
Schema类型
10
事件属性抽取
时间表达式识别与归一化（HeidelTime） · 金额与数值抽取 · 主体与客体角色标注
时间金额
11
图谱存储方案
Neo4j图数据库安装与Cypher查询 · 大规模图谱的分布式存储（JanusGraph）选型
Neo4jJanusGraph
12
知识融合与实体链接
实体对齐（基于SimHash/向量相似度） · 跨源实体融合 · 属性冲突解决
融合对齐
13
事件时序关系建模
事件时间线构建 · 时序关系分类（before/after/overlap） · Temporal Knowledge Graph
时序TKG
14
因果事件推理
因果事件对抽取 · 因果强度计算 · 基于图谱的传导路径分析（如“降息→股市上涨”）
因果传导
15
动态图谱更新机制
增量更新策略（流式处理 vs 批处理） · 事件过期处理 · 版本管理与回滚
增量版本
16
自动化构建Pipeline设计
整体架构（数据层→抽取层→融合层→存储层→应用层） · Airflow调度实战
PipelineAirflow
17
事件图谱质量评估
准确率/召回率/F1评估 · 人工标注与自动评估工具 · 一致性检验（Kappa系数）
评估Kappa
18
图算法与事件传播分析
PageRank在事件影响力评估中的应用 · 社区发现（Louvain）识别事件簇
PageRankLouvain
19
事件图谱可视化
Neo4j Browser可视化 · D3.js前端图谱展示 · 基于PyEcharts的交互式事件流图
可视化D3.js
20
基于图谱的智能问答
NL2Cypher技术 · 基于模板的问答 · 基于检索增强生成（RAG）的问答系统
问答RAG
21
事件图谱在风控中的应用
关联风险传导分析 · 异常事件检测（如担保圈风险） · 实时预警系统设计
风控预警
22
事件图谱在投研中的应用
产业链事件传导分析 · 公司事件驱动策略 · 舆情事件对股价影响分析
投研事件驱动
23
大规模图谱性能优化
索引策略（全文索引/空间索引） · 查询优化（Cypher执行计划分析） · 缓存机制
性能索引
24
多模态事件图谱
文本+表格+图片的事件融合 · OCR在财报表格抽取中的应用 · 多模态表示学习
多模态OCR
25
事件图谱与LLM结合
利用大模型进行事件抽取（In-Context Learning） · 图谱增强的LLM推理 · 知识注入
LLM知识注入
26
开源工具与框架
DeepKE、CogIE、OpenNRE等工具介绍 · 各工具优缺点对比与选型建议
工具选型
27
项目实战（上）
搭建上市公司并购事件图谱 —— 数据采集、实体与关系抽取、图谱入库
实战并购
28
项目实战（中）
搭建上市公司并购事件图谱 —— 事件时序建模、因果推理、可视化展示
时序可视化
29
项目实战（下）
搭建上市公司并购事件图谱 —— 基于图谱的问答系统与风险预警Demo
问答预警
30
课程总结与展望
金融事件图谱的未来趋势（实时图谱、联邦图谱） · 推荐学习资源与社区
趋势资源