本项目围绕新浪财经股票信息构建知识图谱并解译。通过爬取新浪财经股票数据存为Excel，用Python处理生成三元组文件，导入GraphDB构建知识库。前端接收用户输入，经后台服务器转发至语义解析服务转为SPARQL，查询知识图谱后返回结果显示，实现股票信息的智能查询。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
新浪财经知识图谱解译平台
经济就是人们生产、流通、分配、消费一切物质精神资料的总称。经济的发展与人民生活息息相关。
新浪财经是国内第一大财经网络媒体。新浪财经打造高端新闻资讯，深度挖掘业内信息，全程报道80%以上的业界重要会议及事件，独家率达90%，是最具影响力的主流媒体平台。同时，新浪财经也开发出如金融超市、股市行情、基金筛选器、呼叫中心，金融产品在线查询等一系列实用产品，帮助网民理财，是最为贴心实用的服务平台。除此之外，新浪财经为网友搭建互动、交流、学习的财经大平台。财经博客、财经吧、模拟股市、模拟汇市等均成为业界最早、人气最旺、最知名的财经互动社区。
基于领先的财经资讯和贴心的产品服务，新浪财经吸引了非常庞大的高端用户群，已经成为金融行业客户进行网络营销的主要平台，同时也获得了非金融类客户的广泛青睐。
本项目爬取新浪财经中的股票信息，制作成知识图谱，并尝试对知识图谱进行解译。
项目设计
项目设计如图，web前端接收用户输入，将用户输入发送到后台的用户服务器，并由用户服务器转发到语义解析服务，语义解析根据用户输入信息转化为sparql语言，发送给用户服务器，用户服务器再将sparql发送到知识图谱库中查找结果返回给用户服务器，最终用户服务器将结果显示到前端。
数据获取以及构建知识图谱
- 使用软件对新浪财经网站进行爬取，爬取后的数据保存为Excel文件。
- 使用python读取Excel并按照数据格式自定义三元组，将三元组保存为.shtml.nt文件，代码如下。
- 在GraphDB上新开一个知识库，将.shtml.nt文件导入到知识库中
import pandas as pdimport numpy as np
df = pd.read_excel('新浪行业_板块行情_新浪财经_新浪网.xlsx')with open('SinaFinance.shtml.nt','w',encoding='utf-8') as fp:
fp.write(' "Sina Finance".\n')
fp.write(' "新浪财经".\n')
fp.write(' "http://finance.sina.com.cn/".\n')
classes = np.array(df['板块']).astype(np.str) for i,v in enumerate(classes):
fp.write(' .\n')
import pandas as pdimport numpy as np
df = pd.read_excel('新浪行业_板块行情_新浪财经_新浪网.xlsx')
df2 = pd.read_excel('行情中心_新浪财经_新浪网.xlsx')with open('SinaClass.shtml.nt','w',encoding='utf-8') as fp:
classes = np.array(df['板块']).astype(np.str) for i,v in enumerate(classes):
fp.write(' "'+v+'".\n')
classes = np.array(df['链接地址']).astype(np.str) for i,v in enumerate(classes):
fp.write(' "'+v+'".\n') id = np.array(df2['页面网址']).astype(np.str)
id2 = np.array(df['链接地址']).astype(np.str) for i,v in enumerate(id): for j,k in enumerate(id2): if v.split('#')[-1]==str(k).split('#')[-1] and not pd.isnull(df2.loc[i,'代码']):
fp.write(' .\n')with open('Stock.shtml.nt','w',encoding='utf-8') as fp: id = np.array(df2['代码']).astype(np.str) for i,v in enumerate(id):
fp.write(' "'+str(v)+'".\n')
fp.write(' "'+str(df2.loc[i,'名称'])+'".\n')
fp.write(' "'+str(df2.loc[i,'代码_链接'])+'".\n')
知识图谱结构展示
语义解析
代码及模型
详见text2sparql.ipynb
部署
由于深度学习使用的python语言，所以本地部署使用django第三方库来生成后台服务接口。部署代码和预测代码差不多。 这里注意的是，由于我们生成的词典全部使用小写，所以生成后的部分语句中的特定词需要转为sparql中的定义词。如：
sparql = " ".join(word_list_s).replace('sct:haschineselabel','sct:hasChineseLabel').replace('sct:id','sct:ID').replace('zg:sinafinance','zg:SinaFinance')
