FinDKG（Financial Dynamic Knowledge Graph）是一个将大语言模型（LLM）与时序知识图谱（Temporal Knowledge Graph）结合的金融研究项目。它从金融新闻和文档中抽取实体和关系，构建一个随时间变化的金融知识图谱，然后用图神经网络（KGTransformer）在时序图上做链接预测和异常检测。论文发表在学术期刊，GitHub 180+ 星。 FinDKG 的核心创新是“动态”——传统金融知识图谱是静态快照（某个时间点的公司-行业-产品关系），而 FinDKG 带有时间戳，能够捕捉实体关系的变化（如“某公司在 Q1 是 A 公司的合作伙伴，Q3 变成竞争对手“）。KGTransformer 模型利用概率框架和注意力机制在时序图上学习，预测未来可能出现的关系。 在银行场景中，FinDKG 的方法可以迁移到“企业信用关系图谱”“产业链动态监控”“关联交易风险识别”等应用。例如，银行信贷团队可以构建授信企业的动态关系图谱——追踪供应商/客户/股东/高管的变动，当关键关系发生异常变化时自动预警。 FinDKG 数据集专门针对金融领域的时序知识图谱设计，包含多种金融实体类型和关系类型，可以作为金融图谱研究的基准数据集使用。 局限性：研究性项目，距离生产系统有较大距离；LLM 抽取的实体和关系可能有噪声；中文金融文本需要额外适配；图谱规模和更新频率受限于 LLM 处理成本；GPL-3.0 协议对商业使用有限制。
项目主要介绍
FinDKG（Financial Dynamic Knowledge Graph）是一个将大语言模型（LLM）与时序知识图谱（Temporal Knowledge Graph）结合的金融研究项目。它从金融新闻和文档中抽取实体和关系，构建一个随时间变化的金融知识图谱，然后用图神经网络（KGTransformer）在时序图上做链接预测和异常检测。论文发表在学术期刊，GitHub 180+ 星。
FinDKG 的核心创新是“动态”——传统金融知识图谱是静态快照（某个时间点的公司-行业-产品关系），而 FinDKG 带有时间戳，能够捕捉实体关系的变化（如“某公司在 Q1 是 A 公司的合作伙伴，Q3 变成竞争对手“）。KGTransformer 模型利用概率框架和注意力机制在时序图上学习，预测未来可能出现的关系。
在银行场景中，FinDKG 的方法可以迁移到“企业信用关系图谱”“产业链动态监控”“关联交易风险识别”等应用。例如，银行信贷团队可以构建授信企业的动态关系图谱——追踪供应商/客户/股东/高管的变动，当关键关系发生异常变化时自动预警。
FinDKG 数据集专门针对金融领域的时序知识图谱设计，包含多种金融实体类型和关系类型，可以作为金融图谱研究的基准数据集使用。
局限性：研究性项目，距离生产系统有较大距离；LLM 抽取的实体和关系可能有噪声；中文金融文本需要额外适配；图谱规模和更新频率受限于 LLM 处理成本；GPL-3.0 协议对商业使用有限制。
金融 + AI 核心特点
- LLM 驱动的金融动态时序知识图谱
- KGTransformer 时序链接预测模型
- 金融领域专用图谱数据集
- 支持异常检测和关系预测
可学习内容
- 理解动态知识图谱在金融风控中的价值
- 学习 LLM + 图神经网络的结合范式
应用方向
- 企业信用关系图谱的动态监控
- 产业链变动预警和追踪
- 关联交易风险的图分析
- 金融事件关系的时序挖掘
风险与局限
研究原型，生产化距离大；LLM 抽取有噪声；中文适配需额外工作；GPL-3.0 限制商业使用。
- 项目地址：https://github.com/xiaohui-victor-li/FinDKG ↗
- 开源协议：GPL-3.0
原始来源与整理依据
文字分析来自内容源；业务分类、技术标签由 SeekingDAO 按规则整理。披露效果保留原有时间、范围和预测口径，未作独立审计。开源项目与 Skill 的当前许可、兼容性及依赖请以其上游为准。