数据因其背后具有的巨大经济效益已经被置于国家战略发展的重要位置。现代信息化技术迅猛发展,大部分知识密集型企业也逐渐认识到企业的可持续发展离不开数据的应用,所以纷纷把数据的管理和利用放在了企业战略发展的重中之重。尽管部分企业已经在生产生活中注重知识的管理和集成,但是知识的整合效果并不好,大量逻辑紧密但形式分散的知识没有得到关注,没有形成知识的网络。知识图谱技术作为整合知识节点的重要工具,能以“节点-边-节点”的方式构建实体与实体之间的桥梁,形成知识网络。但是目前发展中的金融知识图谱还是存在不完善的问题,一是由于金融数据本身的私密性,使得公开的金融知识图谱并不多;二是知识图谱中一些隐含的推理并没有被表示出来,因此构建完知识图谱后,有必要再对其进行补全。链路预测是完善知识图谱的首要方法,通过预测实体对间的概率,将概率大的实体对存入知识图谱,达到知识图谱的补全。本文针对金融类知识图谱存在的不足,爬取最新的数据构建企业信息知识图谱,并融合路径上的实体及关系向量,使用循环神经网络进行关系推理。主要工作包括:1.研究企业信息知识图谱的构建。针对目前金融类知识图谱较少的问题,从东方财富网及相关论坛爬取最新的股票信息,包括股票名称,行业名称,高管信息等,然后采用自底向上的方法构建企业知识图谱。对爬取到的数据使用自然语言处理算法进行实体、关系提取,然后将处理之后的数据按照Neo4j的要求导入到图数据库中,完成企业知识图谱的构建。2.提出知识图谱补全模型。针对目前知识图谱实体中的隐含关系挖掘不完全的问题,提出新模型SPA-RNN:基于语义路径和简单注意力机制的循环神经网络模型进行关系预测,通过引入路径信息增强SPA-RNN融合实体和关系的能力,通过引入注意力机制,减少训练的路径数量,减少模型开销,实现知识图谱补全。3.分别在Freebase数据集以及本文构建的金融企业知识图谱上进行实验,与链接预测中典型的PRA和Trans E算法进行对比,与实验中只关注路径上的关系向量进行对比,结果证明模型的有效性,可行性。