知识图谱将事实表示为相互连接的实体，已成为增强人工智能系统具备吸收和整合知识能力的关键技术。
然而，现实世界的知识不断演变，需要动态表示以捕捉世界的流动性、时间敏感性等复杂性。
时间知识图谱（TKGs）通过引入时间维度，并使用时间戳记录每个关联关系的有效期，满足了这种需求。TKGs不仅可以建模实体之间的联系，还可以揭示这些关系的动态性，从而为人工智能解锁了新的潜力。
虽然TKGs已经引起了广泛的研究关注，但在专业领域中的应用仍然是一个未被开发的领域。特别是金融领域具有如市场快速演变和多方面文本数据等特点，这些特点可以从动态知识图谱中获益。然而，在高质量金融知识图谱的访问方面存在不足，这制约了该领域的进展。
为了填补这一空白，2023年，李晓辉引入了一种创新的开源金融动态知识图谱（FinDKG），该图谱由一种名为知识图谱转换器（KGTransformer）的新型时间知识图谱学习模型驱动。
FinDKG / FinDKG_dataset at main · xiaohui-victor-li / FinDKG
论文数据和模型实现：FinDKG：基于大型语言模型的动态知识图谱用于全球金融…
github.com
金融动态知识图谱
该网站提供由图形AI模型KGTransformer驱动的金融动态知识图谱（FinDKG）入口…
xiaohui-victor-li.github.io
FinDKG由涵盖二十多年的全球金融新闻语料库构建而成，将金融系统的定量指标和定性驱动因素融入一个相互连接的时间框架中。作者展示了FinDKG在风险监控和主题投资等实际应用中生成有价值的见解。
KGTransformer模型专门设计用于处理TKGs的复杂性，在基准时间知识图谱上表现优于现有的静态知识图谱模型…