

大语言模型构建结构化知识图谱！

数据皮皮侠

2025-09-19

导言

在计算社会科学的研究中，大语言模型与知识图谱正逐渐成为推动学科发展的核心方法论工具。它们不仅拓展了数据获取与分析的边界，也为理论建构与实证研究提供了全新的视角。本课程旨在帮助各位学者系统掌握这一交叉领域的核心技术与应用。

课程以 Python 为主要教学语言，讲解如何通过 Paddle 框架与 OpenAI 包实现本地或远程大语言模型调用，并结合 NetworkX 开展 AI 赋能的网络分析。同时，课程还将介绍 Neo4j 驱动的知识图谱构建与应用，为学员提供探索社会科学复杂问题的进阶方法。

在教学设计上，课程强调方法与实践并重。每一模块不仅包含技术原理解析，还配套有对国内外权威期刊（如《管理世界》《Journal of Financial Economics》等）前沿文献的复刻与再现，帮助学员将所学方法切实应用于学术研究。

此外，课程特别附赠价值 499 元的基础教程，涵盖 Windows 与 Mac 平台的完整环境配置说明。即使没有 Python 基础，学员亦可顺利开展学习，从入门逐步迈向进阶，最终具备独立应用大语言模型与知识图谱方法解决社会科学研究问题的能力。

1. 课程概览

课程名称：基于大语言模型和知识图谱的社会科学前沿新方法——从入门到进阶

课程时间：2025年10月18日-2025年10月19日

10:00-12:00 14:00-16:00

授课方式：腾讯会议线上直播＋课后回放（至少保留两年）

报名方式：

扫码报名

课程特色：

1、全套代码：提供可复用代码块，易迁移于其他场景；

2、案例数据：6大案例数据可直接获取计算后用于研究；

3、随时回看：至少2年回放反复看；

4、附赠课程：赠送价值499元的Python安装、配置与基础入门教学课程

5、超长答疑：结课后至少3个月内老师一对一答疑服务

2. 老师介绍

Simon博士，毕业于四川大学,科技公司技术总监,拥有丰富学术大模型开发、大规模数据集机器学习、因果推理经验。

3. 课程大纲

第一部分社会网络分析与知识图谱

1、社会网络分析与知识图谱的异同

2、网络分析的Python实现：Networkx库的基础操作

3、网络分析常用指标分析：

（1）常用指标：结构洞、网络中心性（出/入度中心度、中介中心度、接近中心度、特征向量中心度）

（2）文本相关：PageRank、TextRank算法

案例1：计算社会科学C刊文章的知识图谱构建与分析

参考文献：

周妮笛,杨菲,何宇娟,等.农业数字化转型推动乡村振兴的实现路径——基于CiteSpace的知识图谱分析[J/OL].中国农机化学报,1-10[2025-09-01]

案例2：上市公司供应链网络构建

参考文献：

陈雯,范茵子.企业供应链风险感知与合作关系稳定性[J].管理世界,2024,40(11):209-228.

第二部分：大语言模型与语义提取

1、 Transformer架构与自注意力机制：NLP的技术基础与社会网络语义嵌入

2、 BERT与ERNIE模型：大模型从文本数据中提取结构化信息

3、在Python中调用GPT：高效批量任务处理方法

4、Prompt工程：构造高质量的提问策略与技巧

5、ollama本地部署大语言模型

案例3：基于BERT 的央行货币政策情绪分析

参考文献：

Jha, Manish, Hongyi Liu, and Asaf Manela. “Does finance benefit society? A language embedding approach.” The Review of Financial Studies (2025): hhaf012.

案例4:基于LangChain框架的个人知识库构建

第三部分：大模型、社会网络与知识图谱融合建模

1、基于语义相似度的网络模型构建：本地embedding模型的应用

2、非结构化文本的结构化转换与交互式知识图谱构建：ai-knowledge-graph框架的使用

3、Neo4j软件的基础使用与常见操作方法

案例5：基于GPT模型和embedding模型构建中国上市公司业务网络

参考文献：

Breitung, C., & Müller, S. (2025). Global business networks. Journal of Financial Economics, 166, 104007.https://doi.org/10.1016/j.jfineco.2025.104007

案例6：基于LLM的知识图谱构建

参考文献：

周贞云,黄昭昭,邱均平.基于LLM与可视化的图数据库专利知识图谱构建及分析[J].情报杂志,1-9.