01
课程导论：知识图谱与投研分析的结合点
课程目标与学习路径 · 核心概念速览（实体、关系、属性）
导论全景
02
投研数据全景
结构化数据（财报、行情）· 非结构化数据（新闻、研报、公告）· 数据源与API
数据API
03
知识图谱基础理论
图论基础 · RDF与属性图模型 · Neo4j与JanusGraph对比
理论图模型
04
实体识别（NER）
基于规则的实体抽取 · BERT序列标注 · 实战：财报抽取公司名与产品名
NERBERT
05
关系抽取
基于模板的关系抽取 · 远程监督 · 实战：抽取“供应商-客户”关系
关系远程监督
06
属性抽取与对齐
实体属性补全 · 跨源对齐（实体消歧）· 实战：统一不同数据源公司ID
对齐消歧
07
知识融合
本体构建 · 实体链接 · 冲突检测与解决 · 实战：合并研报知识片段
融合本体
08
图数据库选型与部署
Neo4j安装配置 · Cypher入门 · 实战：搭建本地投研知识图谱
Neo4j部署
09
数据导入与ETL
Python操作Neo4j (py2neo/neo4j-driver) · 批量导入CSV · 实战：财报数据导入图谱
ETLPython
10
图谱查询基础
Cypher基础语法 (MATCH, WHERE, RETURN) · 路径查询 · 聚合查询
Cypher查询
11
高级图谱查询
最短路径分析 · Louvain社区发现 · 实战：查找产业链关键节点
图算法社区
12
图算法入门
PageRank在投研中的应用 · 中心性分析 · 实战：识别行业影响力最大公司
PageRank中心性
13
知识图谱推理
基于规则的推理 (SWRL) · 路径排序算法 (PRA) · 实战：推断潜在供应链关系
推理SWRL
14
动态知识图谱
时间属性建模 · 事件驱动更新 · 实战：跟踪公司重大事件对产业链影响
动态事件
15
图神经网络（GNN）基础
GCN、GAT原理 · PyTorch Geometric入门
GNNGCN
16
GNN在投研中的应用
节点分类（公司评级预测）· 链接预测（潜在合作）· 实战：预测两家公司合作
GNN预测
17
知识图谱与NLP结合
基于图谱的文本增强 · 问答系统 (QA) · 实战：构建“主营业务”问答机器人
NLPQA
18
产业链分析实战
构建上下游产业链图谱 · 关键路径分析 · 实战：分析新能源汽车产业链
产业链实战
19
风险传导分析
构建风险事件图谱 · 蒙特卡洛模拟 · 实战：评估违约对供应链冲击
风险模拟
20
智能研报生成
基于图谱的摘要生成 · 模板化研报 · 实战：自动生成公司深度研报初稿
研报生成
21
事件驱动策略
图谱事件检测 · 事件影响量化 · 实战：基于“高管离职”构建交易信号
事件驱动策略
22
关联分析
关联规则挖掘 (Apriori/FP-Growth) · 频繁子图挖掘 · 实战：发现行业轮动规律
关联轮动
23
知识图谱可视化
D3.js与Neovis.js基础 · 交互式图谱展示 · 实战：搭建投研图谱看板
可视化D3
24
大规模图谱优化
索引策略 · 查询优化 · 分布式部署 (JanusGraph + HBase)
优化分布式
25
数据质量与治理
数据清洗流水线 · 异常检测 · 版本管理
质量治理
26
合规与隐私
金融数据合规要求 · 脱敏处理 · 审计追踪
合规隐私
27
项目实战（一）
需求分析与数据采集 · 图谱Schema设计 · ETL流程实现
实战项目
28
项目实战（二）
图谱构建与查询实现 · 图算法集成 · 可视化展示
实战集成
29
项目实战（三）
策略回测与效果评估 · 研报生成模块 · 系统部署
实战部署
30
课程总结与展望
知识图谱在投研中的未来趋势 · AGI与知识图谱融合 · 学习资源推荐
总结趋势