期货行业是个数据驱动的行业,是数据最丰富的领域之一,随着期货市场逐渐扩大,期货领域相关数据和类型不断增多,但是也存在数据利用效率低,对现有的数据资源价值的挖掘、分析和利用能力较弱的问题。利用期货领域的研究报告构建本领域知识图谱,可以将复杂难懂的研究报告转换为清晰明了的实体关系三元组,有助于期货交易双方提高信息获取效率与分析能力,促进期货领域智能化发展。本文研究期货领域知识图谱的构建方法,主要内容如下:（1）期货领域实体及关系标注语料库构建与分析。对期货研究报告进行规则化清洗,并进行分类体系及标注规范制定、半自动标注及数据后处理操作,构建了期货领域实体及关系标注语料库（Corpus for Entity and Relation annotation in Futures domain,CERF）。根据产品特点将其划分为农产品和非农产品期货,形成相对完备的知识描述体系。农产品期货共20类实体、9类关系类型,包括42子关系;非农产品期货共14类实体、11类关系类型,包含36种子关系。（2）期货实体及关系抽取算法的研究和改进。本文针对期货领域文本的多关系抽取、实体重叠抽取问题,采用基于Biaffine注意力的多头选择模型（Multi-Head Selection based on BIAffine attention,MHS-BIA）和基于全局指针网络的实体关系联合抽取模型（Joint extraction model based on Global Pointer Networks,GPN）,在CERF语料库上分别进行命名实体识别和关系抽取的研究,并在医学领域数据集上完成模型可扩展性分析。MHS-BIA模型引入Biaffine注意力机制,在实体重叠任务中较普通型的F1值有10%左右的提升。GPN模型引入全局指针思想联合解码,实现实体和关系的单阶段联合抽取。结果显示GPN模型可同时提升实体重叠和多关系抽取任务中的抽取效果。农产品语料中实体识别和关系抽取F1值分别为76.94%、56.13%;非农产品语料中实体识别和关系抽取F1值分别为76.28%、53.67%。（3）期货领域知识图谱构建与可视化展示。本文使用GPN模型实现知识图谱的自动更新并设计了期货领域知识图谱可视化查询系统,最终形成的知识图谱中包含17,003个农产品关系三元组、13,703种非农产品关系三元组。