一、前言
关于知识图谱的概念，这里不加赘述，可以参考：知识图谱简介
下文会基于上市公司的基本数据，如：行业、地区、高管等，进行一个简单的实战。
二、构建步骤
1、数据抽取
上市公司的信息可以从很多地方获取到，包括证监会或各类财经网站，或者工商局官网等等，基于获取难度与项目要求，使用以下网站：
新浪财经
巨潮资讯网
（1）上市公司基本数据
这里从新浪财经获取，基本没有难度，笔者已经拥有一份数据，这里就不加介绍了，总共包含3000+的上市公司信息，结构如下：
（2）上市公司高管数据
高管数据从新浪也可以直接找到，这里使用巨潮资讯网的数据，可以看到网站提供了高管和股权结构等数据，如下：
网页结构很简单，将股票代码通过网站的接口：http://www.cninfo.com.cn/search/searchzx.jsp，转化为默认结构，再通过：http://www.cninfo.com.cn/information/management/*.html,请求数据即可，获取得到的数据直接存在mongo中，如下：
上述两个网站得到的数据都是结构化数据，可以很轻易的确定实体，及实体关系。
2、数据融合
这里只有两个互不相关的数据源，数据基本可以直接使用，忽略数据源的错误。
对于每一个实体，我们希望实体是唯一的，对于上市公司，可以直接使用股票代码，而人物，这里用简单“出生日期+性别+姓名”的哈希码来确定。如下：
hash_md5(person[u'出生年份']+person[u'性别']+person[u'姓名'])
考虑到数据源简单，行业与地区都直接使用名称即可，对原始数据进行处理，分别提取出人物、公司、行业、地区的实体。
3、本体概念确定
上文定义了四个概念：人物、公司、行业、地区，同时分别确定了概念下拥有的属性，如：姓名、学历、股票代码、上市日期等，按照这个规则，我们定义了行业图谱下的本体库。
4、关系图谱搭建
前面的数据都存在mongo中，图数据库拥有更加友好的可视化界面及关系计算功能，接下来将数据转为三元组，导入到neo4中。
关于neo4j不做介绍，详情请自行了解：neo4j教程
（1）连接创建
对于neo4j的操作使用python库py2neo，如下：
from py2neo import Graph, Node, Relationship
Graph = Graph(NEO4J_SERVER, username=NEO4J_USR, password=NEO4J_PWD)
（2）创建节点
在neo4j中，需要为每一个实体创建节点：
for person in persons:
node = Node("Person", **person)
Graph.create(node)
Node的name属性自动成为浏览器界面中节点的名称，如图：
（3）创建关系
在上文中定义了四个概念，概念间存在“公司–人物”，“公司–行业”，“公司–地区”这三种关系，需要为每一种关系进行创建：
node = Node("Company", **company)
neo4j.Graph.create(node)
industry = company['industry']
if industry:
r_node = neo4j.Graph.find_one("Industry", "name", industry)
company_r_industry = Relationship(node, "Profit", r_node)
neo4j.Graph.create(company_r_industry)
对于人物与公司之间定义了“Manage”关系，找到公司对应的高管在neo4j中的实体节点，然后构建关系；
公司与行业之间定义了“Profit”关系，同上；
公司与地区之前定义了“Located”关系，同上；
三、实例
通过上述步骤，一个简单的行业知识图谱就已经构造完成了，
查询公司关联
通过构建完毕的图谱，可以查询上市公司之间的关联关系，如：
上述便是简单的浦发银行通过高管与其他公司的关联关系，如果要更加深入，将关系维度扩大即可。
其他
（1）企业实际控制人查询，增加股权结构关系，通过法人持有股份最终追踪到实际控制人
（2）企业风险评估、企业社交图谱等等