近年来随着教育信息化、个性化教育等观念的逐渐深化,在网络上进行自主学习已经成为学生获取知识的重要途径之一。在线教育平台会为学生提供不同形式的知识学习方式,如通过视频、文档的形式进行知识传播。然而,由于平台中的教学资源数据之间是相互独立的关系,分散地存在于网页结构中,学习资源之间并没有通过逻辑关系建立连接,难以形成系统化的知识体系结构。该问题导致课程信息背后隐含的丰富语义信息被人忽略,课程数据可利用价值大大降低。针对以上提出的问题,本论文使用python语言,基于开放领域网页数据源,设计并开发了一个金融类课程知识图谱,实现了对金融类课程信息的体系化构建。论文的具体工作内容如下:（1）对金融类课程知识图谱进行了针对性问题及目标分析,并列举了待解决的关键技术点,根据项目需求分析的指导,设计了金融类课程知识图谱的构建流程,包括数据源获取、数据预处理、金融类课程本体模型设计与建立、金融类课程语料关键词提取、信息抽取（实体与关系抽取）以及基于Neo4j的数据存储及展示。（2）数据源获取与预处理操作。设计分页数据爬取流程与方法,使用网页爬虫技术对中国大学Mooc网站中的课程属性信息（课程名称、授课机构、授课教师、课程概述、先修课程）进行爬取,并对初始语料池进行必要的预处理操作,包括对于空值项、过长项以及粘连项的数据清洗操作与之后的分词处理,在原始数据基础上分离出了更好的样本语料池。（3）金融类课程本体模型的设计与建立。分别从语义关系、语义类型以及本体对象三个维度对金融类课程本体模型进行了设计与描述。从这三个维度来看,金融类课程知识图谱内的语义关系可分为四类,分别为:课程上级分类的上下位关系、所属关系、教授关系以及先修关系。语义类型也可分为四类:课程实体、机构实体、标签实体以及人物实体。并在模型基础上,对金融类课程本体对象进行了实例化构建。（4）金融类课程语料关键词提取与知识存储模块的实现。分别使用基于TF-IDF与信息熵的关键词提取算法,对课程概述属性中包含的文本类型数据进行与金融专业相关的关键词提取工作,将提取到的关键词集合作为后续领域命名实体识别模型的外部词典,辅助其中的自动化序列标注任务。并实现了将关系型数据库中的结构化数据转换为三元组数据存入图数据库中进行关系链接与持久化保存的知识存储模块,对存储结果进行了展示。（5）基于Bi LSTM-CRF算法的金融类课程实体识别方法。首先,设计了对原始无标注语料进行自动化标注的方法并实现了相关工作,然后将金融类课程标注性语料作为基于Bi LSTM-CRF算法的命名实体识别模型的训练数据集,训练出了金融类课程实体识别模型,然后对构建效果进行了对比实验分析,并应用于课程先修关系的抽取工作中。