在当今社会,随着互联网的快速发展以及人工智能热潮的兴起,金融行业本身的行业特殊性也在每分每秒地生产出海量的数据。而这些数据之间往往非结构化,难以处理;数据之间看似无关紧要,但往往又相互制约,数据间又包含着隐藏的信息。知识图谱(Knowledge Graph)作为一种将不同数据(知识)关联在一起的技术,因为它“还原真实世界”,拓宽了传统数据存储维度和业务展现方式,进而由最开始被搜索领域被关注的概念,逐渐成为各行各业争相研究的技术方向。构建一个金融领域的知识图谱,能有效地帮助行业工作人员进行风控、推荐等方向的应用。本文围绕着知识图谱的构建技术,针对金融领域。对构建金融知识图谱的方案进行了研究,且着重围绕了基于深度学习的命名实体识别模型与关系抽取模型。本课题的主要工作包括如下几个方面:1.数据的采集与预处理,对于命名实体识别与关系抽取研究,训练集的缺乏一直是当前的研究热点。本课题结合了常识知识库,利用了一种远程监督的方案,并配合层次聚类的算法对实体进行打标签,减少了人工操作的工作量与误差。2.在命名实体识别任务中,结合BERT预处理模型,针对BERT模型没有考虑词性、上下文信息也只用了embedding,各个词权重一样的问题,没法突出关键词的问题。本文结合了BiLSTM,通过加入一个attention层来获取上下文相关的语义信息,并且根据数据挖掘工作中得到的标签数据,根据标签来进行权重分配,提升对命名实体识别的提取效果。3.在关系抽取任务中,本文采取了远程监督的方案来获取金融领域的训练集。然后针对训练集中的噪声过大的问题,基于BiLSTM模型,结合多种注意力机制,利用了实体与关系的相关性,句法依存特征来处理训练样本噪声过大的问题,同时提升关系提取效果。4.最后,提出了一种半自动的收集金融知识图谱数据的方法,并根据收集到的数据,完成了金融知识图谱系统的设计与实现。