随着计算机运算能力的不断提高,信息的存储和利用方式变得越来越简单和多样化。其中知识图谱是一种将现实世界中复杂事物关系挖掘出来并且将其可视化的技术。近年来,大数据技术以及人工智能产业的快速发展成熟,能高效准确处理海量信息的强大机器学习、深度学习算法等被应用在了各行各业的研究中,尤其在自然语言处理界,深度学习的发展大大促进了各领域知识图谱的广泛应用研究。金融行业是一个具备庞大复杂数据信息的领域,同时也是对数据丰富度、准确度要求最高的领域之一,而知识图谱可以挖掘出海量相互独立信息之间的复杂语义关联,并将其归纳总结得到知识库,给用户提供高效完善获取信息的途径,所以金融领域知识图谱的构建可以借助其对海量复杂关系的深层挖掘帮助金融从业者更好地把握行业动态、提高工作效率。本文选取金融领域中较复杂的投资事件为研究目标,构建服务于金融行业领域的知识图谱来帮助投资团队更高效准确地挖掘和研究事件背后的复杂投融关系。构建知识图谱的主要模块包括知识采集、知识抽取、知识存储等。其中在知识抽取模块中的两个关键技术分别是:命名实体识别和关系识别。主要任务是从半结构化文本中抽取实体,然后抽取实体与实体间可能存在的关系。传统的知识抽取方法是流水线型,即按照顺序先进行实体抽取,再根据抽取出的实体进行实体间关系识别,这种方法虽然使得各阶段模型选择和处理更加灵活,但是存在误差传递、产生大量冗余信息、无法关联两个子任务等问题,所以本文采用实体关系联合抽取技术,同时将知识抽取任务转化为序列标注任务,并且由于常用的序列标注策略如BIOES方法等无法解决实体重叠的问题,提出了改进的标注策略,同时由于金融领域数据一定的特殊性,联合抽取模型还面临着需要依赖大量人工标注语料的问题。针对上述实体关系联合抽取中存在的问题,所以本文的主要工作如下:1.综合考虑金融领域投资事件文本存在的实体重叠语料特点,使用了改进的序列标注策略对投资文本语料中的实体关系一起打标签,构建金融领域投资文本的实体关系联合抽取语料库。2.知识抽取模块采用了投资实体关系联合抽取模型,将实体关系联合抽取转化为序列标注任务,模型结构上采用Bi LSTM-Attention-CRF神经网络模型,充分利用Bi LSTM网络强大的特征提取能力和CRF对于长序列标注的特殊优势,Attention机制强化模型对重点信息的学习。联合抽取模型克服了传统流水线型方法的问题,大大提升了模型效果。3.为了解决金融领域缺少标注数据的问题,提出了融入数据增强技术的投资实体关系联合抽取模型,有效扩充了金融领域投资文本语料库数据,大量的训练数据一定程度上提升了联合抽取模型的性能。同时根据自定义的优化抽取规则抽取实体关系三元组缓解了语料中的实体重叠问题。4.实验部分对提出的基于序列标注的实体关系联合抽取模型进行了超参数调优实验,保证了模型的最佳效果,并且基于相同的数据集,设计实现了多组模型对比实验,分析了本文模型在数据增强效果和缓解实体重叠方面的表现。