知识图谱本质上是语义网络,它将不同种类的信息连接在一起得到的一个关系网络。领域知识图谱又称为行业知识图谱或垂直知识图谱,是面向某一特定领域,由专业数据构成的行业知识库,在面向行业的智能搜索、智能问答、智能推荐、情报分析等方面发挥了重要作用。目前领域知识图谱主要参照通用知识图谱的构建方法和步骤进行构建,通常根据领域知识需求实现数据采集、关系抽取、数据管理、和数据应用。本文面向证券领域,从互联网公开的证券公告中收集数据,构建知识图谱,挖掘企业股权人员、企业证券产品等金融关系,展示企业发展状态为相关从业者提供投资参考。本文重点研究构建知识图谱的流程和关键技术方法,基于证券公告建立知识的本体结构,设计了数据采集、任务管理、知识获取、数据管理等系统功能,并利用实验室的相关工具实现了知识图谱三元组的数据标注和关系抽取任务,最终完成系统的开发和部署。本文主要的工作如下。（1）数据采集任务管理的设计与实现。本文以Django框架为核心,基于Selenium自动化测试工具编写数据采集脚本,并添加了采集容错和采集数据重复避免机制确保数据稳定采集。系统将采集脚本抽象封装为采集任务,并提供对任务的统一管理功能。系统基于Celery异步任务框架实现了任务的定时执行,以获取数据源的最新领域数据,并通过实现Celery路由的动态更新解决Celery队列拥塞问题,以实现采集任务并发执行。（2）领域知识本体构建与关系三元组的设计与实现。本文使用spaCy预训练的中文模型对数据集进行命名实体识别,使用聚类工具获取每类实体下主要实体,结合领域知识构建领域本体结构。比较目前最新的端到端的关系抽取模型,选择了LTRel作为系统关系抽取的工具实现知识抽取,并使用Neo4j数据库保存关系三元组。系统提供知识查询界面,并使用Echarts可视工具将查询结果可视化。（3）系统应用部署。采用Docker容器技术实现系统在服务端的部署。分析开发环境下的系统架构,明确系统运行依赖的服务。明确系统部署架构,完成了工具安装和Docker容器划分等部署环境准备工作。使用Dockerfile文件实现各个容器的配置和初始化,并使用Docker-compose工具对系统中多个容器进行启动配置。在原有系统的目录下添加了以上容器相关配置文件或文件夹,使得系统部署环境下的目录结构与开发环境有所不同。采用增量部署的方式进行多容器系统的部署,以解决系统部署过程中遇到的兼容性错误。