🫐 艺术市场知识图谱

反馈来源：导师/同行讨论 2026-03-05

实体变更（18 → 25）：

• Artist — 新增 education、mentored_by
• Gallery — 新增 subtype(7类)、tier(1-5)、has_physical_space
• Exhibition — 新增 type(6类)、scale、institutional_weight
• ArtFair — 新增 tier_history 时间序列
• Artwork — 新增 provenance_chain
• Movement — 改为通过 MovementAttribution 间接关联
• 🆕 Edition（从Artwork拆出）
• 🆕 ArtistPriceLevel（系数时间序列）
• 🆕 AcademicInstitution
• 🆕 ResidencyProgram
• 🆕 Award
• 🆕 MediaCoverage
• 🆕 MovementAttribution

关系变更（8 → 15+）：

• represents → 拆分为 exclusive / regional / project / consignment
• co-exhibited — 新增 exhibition_type、weight、context
• 🆕 educated_at / mentored_by / residency_at / awarded
• 🆕 has_edition / covered_by / attributed_to_movement

建模增强：

• 🆕 数据可信度三级分层 + 时效性衰减
• 🆕 共展网络多维权重函数
• 🆕 Flipping检测（一二级市场传导）
• Career Stage 推导规则框架（待实证检验）

Subtype 分类（7类）：

• commercial_blue_chip：蓝筹商业画廊（如佩斯、高古轩级别）
• commercial_mid：中型商业画廊
• commercial_emerging：新兴/年轻画廊
• academic_nonprofit：学术/非营利空间
• artist_run：艺术家自营空间
• vanity：虚荣画廊（付费展出）
• online_native：线上原生画廊

动态 Tier（1-5）：画廊的市场层级随时间变化，tier 作为时间序列记录

has_physical_space：区分有无实体空间，影响展览权重

原 represents 拆分为 4 种关系，反映真实市场中代理绑定的复杂度：

每种均含 formality（合同/口头/隐含）、start/end_date、upgrade_from（关系升级路径）

从 Artwork 拆出独立实体，解决版数作品（版画/摄影/雕塑铸造）的追踪问题：

• edition_number：版号（如 2/8）
• edition_total：总版数
• medium_specific：AP / PP / HC / numbered
• individual_provenance：该版独立的出处链
• individual_price_history：该版独立的价格历史

💡 动机：同一件作品的不同版数在市场上表现可能差异巨大（版数1 vs 版数8 价格相差数倍），必须独立追踪

媒体报道作为事件实体建模，支持量化分析艺术家/展览/画廊的媒体曝光度：

• media_outlet：媒体机构
• media_tier：tier-1 国际主流 / tier-2 行业专业 / tier-3 地方/自媒体
• coverage_type：review / feature / interview / mention / list
• sentiment：positive / neutral / negative / mixed
• 关联：可关联 Artist / Exhibition / Gallery

三级可信度：

• 🟢 高：拍卖成交记录、美术馆馆藏、官方声明
• 🟡 中：博览会PDF（asking price）、一级市场系数、行业报告
• 🟠 低：战报（LLM抽取）、社媒传闻

时效性衰减 decay_rate：

• 拍卖成交价 — 衰减慢（历史记录长期有效）
• 一级市场系数 — 衰减中（1-2年更新）
• 社媒传闻价格 — 衰减快（数周后可信度下降）

每条数据附带：{confidence, source_type, valid_from, valid_until, decay_rate}

数据来源分层：

• 🟢 高可信：拍卖成交记录
• 🟡 中可信：博览会PDF（asking price）、一级市场系数（元/号）
• 🟠 低可信：战报（需LLM信息抽取）、社媒传闻

🆕 ArtistPriceLevel：系数时间序列实体，追踪 coefficient(元/sqcm) 随时间的变化

二级市场：拍卖记录 + 异常检测（anomaly_score）

价格事件作为独立实体建模

weight = f(exhibition_type, institutional_weight, context, recency)

exhibition_type 权重：

• biennial(1.0) > institutional_group(0.8) > solo/duo(0.7) > group(0.5) > fair_booth(0.3)

context 权重：

• academic(1.0) > hybrid(0.7) > commercial(0.5)

加上 institutional_weight（机构声望系数）和 recency（时间衰减因子）

定义：一级市场购入后短期进入拍卖转售

• < 2年：aggressive_flipping
• 2-5年：early_secondary
• > 5年：normal_secondary

关联指标：flipping_ratio = 落槌价 / 一级市场价

高频flipping的画廊可能暗示市场操纵，可交叉验证同一藏家行为模式

• 可识别藏家：美术馆馆藏、转型藏家（藏→dealer）、社媒活跃藏家
• 匿名藏家：拍卖记录中的匿名买家，只能通过行为模式推断

⚠️ 待实证检验 — 需10个代表性艺术家 bottom-up 验证

阈值需校准 · 不同媒介阈值可能不同 · 需考虑逆向流动

• 统一时间区间：{start, end, precision}
• precision: exact_date / month / year / approximate
• 数据有效期叠加于时间之上
• 市场周期作为上下文

• Top-down：行业经验 + 导师指导 → 初步框架
• Bottom-up：实际数据验证 → 修正假设
• 试点验证：选10个代表性艺术家（覆盖不同代际/媒介/层级），完整走通建模流程

Movement归属的"断言"处理：

通过 MovementAttribution 断言实体，记录"谁在什么时候说X属于Y流派"，而非直接标注。支持同一艺术家被不同来源归属到不同流派，保持学术中立。

学术贡献定位：

• 领域贡献：中国当代艺术市场首个结构化知识图谱本体
• 方法论贡献：混合方法论在艺术市场本体构建中的应用
• 技术贡献：可信度分层、时效性衰减、断言式归属等建模模式

无需训练，自动从领域文本构建Art Context KG (ACKG)，通过多粒度结构化上下文检索器选取子图指导MLLM生成artwork解释。在SemArt/Artpedia超越训练基线。

可迁移：ACKG自动构建多粒度子图检索Training-free RAG

与项目关系：ACKG实体类型与ontology高度对应；多粒度检索策略可直接用于KG查询层；为"艺术品解读"功能提供架构参考

用GPT-3半自动从129篇文章提取SPO三元组构建KG，Ampligraph训练KG Embedding做链接预测，发现未知交易商-博物馆关联。节省数月人力。

可迁移：LLM→SPO三元组提取KG Embedding链接预测半自动KG构建pipeline

与项目关系：⭐ 最直接可迁移 — pipeline几乎原样复用于中国艺术市场；one-shot prompt可适配ontology schema

提出时序关系图卷积网络（T-RGCN）用于金融预测，在标准R-GCN上引入时间维度建模实体关系演化。

可迁移：Temporal R-GCN动态KG建模GNN价格预测范式

与项目关系：⭐ 最直接可迁移到价格预测的GNN方法 — 艺术市场天然是时序图，可与Transaction/Exhibition等时序实体配合

团队：CILAB, University of Bari（意大利巴里大学AI实验室）

方法：

• 构建 ArtGraph 异构知识图谱（16种节点：artwork, artist, gallery, style, genre, emotion等）
• ViT 提取artwork视觉特征 → 128维向量
• GAT（Graph Attention Network）编码KG节点关系
• 多模态融合：ViT特征 ⊕ KG embedding → 共享MLP → 三个分类头
• 多任务学习：同时预测 style（27类）/ genre（19类）/ emotion（9类）
• Inductive设计：新作品无需重训整个图
• emotion数据来自 ArtEmis 众包数据集（81K+ WikiArt标注）

可迁移：PyG + HeteroData + GATConv多任务分类框架ArtGraph v2种子数据

与项目关系：ArtGraph已有gallery节点（仅作收藏机构），可扩展为市场实体；多任务框架可迁移为画廊tier、career_stage、价格区间预测；他们做艺术史/视觉分析，我们做市场/商业分析——互补而非竞争

比较本体(CIDOC-CRM)、LLM扩展、纯LLM三种策略支持虚拟博物馆。结论：本体+LLM组合最优。

可迁移：CIDOC-CRM标注pipeline三方对比评估框架LLM辅助KG生成

与项目关系：验证KG+LLM混合路线正确性；ontology v0.2可映射CIDOC-CRM实现互操作

多模态框架：增强双线性池化融合文本+图像，标签嵌入对比学习，纹理特征+体裁多任务学习。WikiArt提升3+%。

可迁移：Bilinear PoolingLabel Embedding+对比学习多任务学习

与项目关系：风格分类→自动标注ArtMovement；Bilinear Pooling融合视觉+KG嵌入；对比学习增强entity embedding

比较KG检索、LLM生成、RAG三种关系搜索方法。芬兰文化史领域。结论：混合方案最优，LLM对小众人物幻觉严重。

可迁移：RAG pipeline设计关系搜索prompt工程Demo应用架构

与项目关系：验证KG+LLM路线；对新兴艺术家LLM易幻觉→KG是可靠性保障；RAG架构可作查询接口基础

NN利用视觉+非视觉特征预测拍卖价格，发现拍卖行预估存在系统性信息无效率。发表于顶级金融期刊。

可迁移：多模态价格预测NN估值偏差分析hammer-to-estimate ratio

与项目关系：拍卖行偏差→AuctionHouse实体属性(bias_score)；"机器估值vs拍卖行预估"可作系统核心功能

论文：A Data-Driven Approach to Art Price Prediction: Integrating Knowledge Graphs and Predictive Analytics

方法（摘要）：

• KG实体：artist, artwork, gallery, auction house, historical pricing
• KG + Deep Learning → 价格预测
• 目标：理解和预测艺术市场趋势

与本项目的关系：

• 🔴 最直接的竞品/先行者——同样KG+DL做艺术市场
• 他是硕士论文(5-6种实体)，我们ontology v0.2有25种实体+15+关系
• ⚠️ 全文受限，已联系作者获取

Data-Centric AI方法提升艺术投资市场可达性和可解释性。涉及数据质量、SHAP/LIME可解释ML。

可迁移：Data-Centric AISHAP/LIME可解释性投资指标设计

与项目关系：数据质量优先；可解释性结合KG路径解释；投资视角补充Collector/Transaction语义

ML方法对艺术品拍卖价格建模，hedonic pricing的ML增强，XGBoost/LightGBM，大规模拍卖数据。

可迁移：Hedonic特征体系XGBoost/LightGBM baseline价格指数构建

与项目关系：hedonic特征映射ontology属性；ML baseline对比GNN；价格指数可作KG时序属性

多模态方法融合图像视觉特征(CNN/ViT)与结构化元数据预测绘画价格。

可迁移：多模态价格预测CNN/ViT视觉嵌入价格回归任务设计

与项目关系：视觉嵌入→GNN中Artwork节点初始特征；多模态fusion指导KG+视觉embedding设计

• 30分钟将一本教科书转换为知识图谱
• 利用LLM自动提取实体和关系，构建树状知识图谱结构
• 对本项目的启发：可用于从艺术市场报告、拍卖图录、博览会资料中快速提取结构化数据

• 基于维基百科的本体概念构建方法
• 结合众包知识与形式化本体的混合路径
• 对本项目的启发：为 top-down + bottom-up 方法论提供参考框架；可借鉴其从非结构化文本到形式化本体的转化思路

11=Castellano/ArtGraph · 12=Bassan · 13=Tree-KG · ← 横向滚动 →

核心参考：论文5 Chen论文8 Indrawan论文10 Biased Auctioneers论文11 Castellano

• ViT/CLIP提取artwork视觉嵌入
• Ampligraph/PyKEEN训练TransE/ComplEx KG Embedding
• Bilinear Pooling融合视觉和KG嵌入
• 复用ArtGraph v2数据+GAT代码，扩展市场关系层
• Baseline价格预测NN

工具/技术栈：ViT/CLIPPyKEENPyTorchPyG

核心参考：论文9 Jeyaraman论文4 Fedderke论文12 Bassan

• 构建时序关系图（Transaction/Exhibition/AuctionRecord带时间戳）
• 实现T-RGCN在ontology图上运行
• 对比实验：T-RGCN vs XGBoost vs 多模态NN
• 加入拍卖行偏差特征（论文10启发）
• 与Bassan方案做技术路线对比

工具/技术栈：PyG (PyTorch Geometric)R-GCNXGBoost

核心参考：论文1 ArtRAG论文7 Malikova

• 多粒度子图检索（语义+拓扑双通道）
• RAG pipeline：KG子图→结构化prompt→LLM生成市场分析
• 可解释性层：KG路径作为推理依据（论文3启发）
• Demo应用开发

工具/技术栈：LangChain/LlamaIndexMLLM APIStreamlit