🧬 本体规范 v0.2

每条数据记录附带元信息：

{
  confidence: "high" | "medium" | "low",
  source_type: "auction_record" | "gallery_invoice" | "fair_pdf" | "media_report" | "social_media" | "hearsay",
  valid_from: date,
  valid_until: date | null,
  decay_rate: float  // 数据可信度随时间的衰减率
}

可信度分级标准：

• 🟢 高（high）：拍卖成交记录、美术馆馆藏记录、官方声明
• 🟡 中（medium）：博览会 PDF（asking price）、一级市场系数、行业报告
• 🟠 低（low）：战报（需 LLM 信息抽取）、社媒传闻、非正式渠道

时效性衰减：

• 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（通常1-2年更新）
• 社媒传闻价格：衰减快（数周后可信度显著下降）

统一时间表示：

{
  start: date,
  end: date | null,
  precision: "exact_date" | "month" | "year" | "approximate"
}

数据有效期附加于时间之上，支持"这条信息在什么时间范围内被认为有效"的查询。

⚠️ 待实证检验 — 以下规则基于行业经验的 top-down 设计，需通过 10 个代表性艺术家的数据进行 bottom-up 验证后方可确认。

注意事项：

• 仅使用网络关系类条件推导，不使用价格阈值——拍卖价格存在托价、关联交易等不可靠因素
• 需考虑"逆向流动"（established → mid-career 的罕见情况）

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

其中：
- exhibition_type 基础权重：
  biennial(1.0) > duo(0.9) > institutional_group(0.8) > group(0.5) > fair_booth(0.3)

- 稀释因子：weight = base_weight / log₂(artist_count)
  群展参展人数越多，权重越低

- 注：solo 不产生共展关系；duo 权重高于群展（策展意图浓度更高）

- institutional_weight：举办机构的声望系数

- context 权重：
  academic(1.0) > hybrid(0.7) > commercial(0.5)

- recency：时间衰减因子，近期共展权重更高

具体参数需要通过实际网络分析调优。

多个实体（Gallery, AuctionHouse, Museum, Curator, AcademicInstitution, ResidencyProgram, Award）的 prestige_tier 属性统一采用断言式处理：

prestige_tier: {
  value: 1-5,
  source: "来源名称（如 ArtReview Power 100、Artnet排名等）",
  source_type: "ranking" | "industry_report" | "expert_assessment",
  date: date,
  source_confidence: "high" | "medium" | "low"
}

💡 设计动机：prestige_tier 是主观判断，断言式处理使判断来源可追溯——"根据 ArtReview Power 100（2025）排名，该机构层级为 tier-1"，而非隐含的主观评分。

Flipping 定义：艺术品从一级市场购买后短期内进入二级市场（拍卖）转售。

检测逻辑：

flipping_interval = first_auction_date - primary_sale_date

if flipping_interval < 2 years:
    flag = "aggressive_flipping"
elif flipping_interval < 5 years:
    flag = "early_secondary"
else:
    flag = "normal_secondary"

关联指标：

• flipping_ratio = hammer_price / primary_sale_price
• 高频 flipping 的画廊可能暗示市场操纵
• 可交叉验证：同一藏家在同一画廊的多次 flipping 行为

• Top-down（行业经验驱动）：基于导师指导、行业从业经验、同行讨论，设定初步框架
• Bottom-up（数据涌现）：通过实际数据验证，发现 top-down 假设中的偏差，修正规则和阈值

交叉验证流程：

1. Top-down 提出假设（如 career_stage 推导规则）
2. 选取 10 个代表性艺术家做试点数据采集
3. 用实际数据检验假设是否成立
4. 修正假设 → 迭代

选取 10 个代表性艺术家，覆盖：

• 不同代际（70后/80后/90后）
• 不同媒介（绘画/雕塑/影像/装置）
• 不同市场层级（蓝筹/中层/新兴）
• 不同职业阶段

通过这 10 个案例完整走通本体的数据建模流程，验证实体和关系的完备性与实用性。

流派归属在学术界常有争议（如某艺术家到底算不算"玩世现实主义"）。本体采用 MovementAttribution 断言实体 模式：

• 不在本体层面做出"X属于Y流派"的判断
• 记录"来源A在时间T声称X属于Y流派"
• 允许同一艺术家被不同来源归属到不同流派
• 支持按 source_type 和 source 的权威度进行过滤

这一设计使知识图谱在流派归属问题上保持学术中立。

本体本身即是领域基础设施层面的学术贡献：

• 领域贡献：目前中国当代艺术市场缺乏公开的、结构化的知识图谱本体
• 方法论贡献：top-down + bottom-up 的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、断言式流派归属等建模模式

一个好的本体不仅应说明建模了什么，也应明确说明有意排除了什么以及为什么。

这些排除决策可在论文中作为"研究局限性"部分的素材，同时为后续研究指明扩展方向。

• 某艺术家的共展网络中，哪些节点的中心度最高？（识别圈层中的关键连接者）
• 两位艺术家之间的最短路径经过哪些机构/策展人？（隐性关联发现）
• 某画廊的代理艺术家群体与哪些其他画廊的重叠度最高？（竞争格局分析）

• 某艺术家的代理关系升级轨迹（consignment → project → regional → exclusive）与其价格变动的时序关联？
• 某画廊的 tier 变化曲线与其参加博览会层级的关系？
• 某一代际（如80后）艺术家群体的 career_stage 分布随年份的演变？

• 某艺术家在苏富比拍出高价后，其一级市场系数在多长时间内调整？（信号传导速度）
• 被标记为 aggressive_flipping 的作品，其 anomaly_score 是否显著高于正常作品？
• 在 ABHK 参展的画廊，其代理艺术家在亚洲拍卖市场的成交率是否高于未参展画廊？

• 从 emerging 到 established 的典型路径有哪些？哪些节点是必经之路？
• 拥有 MFA 学历的艺术家 vs 无学历的艺术家，career_stage 升级的平均耗时差异？
• 获得某奖项后，艺术家的机构展览频次是否显著增加？

• 某艺术家的 MovementAttribution 中，哪些来源最具权威性？不同来源之间是否存在矛盾？
• 某批评家/策展人被关联到的艺术家群体是否存在圈层化特征？
• 媒体报道的 sentiment 与后续市场表现之间是否存在相关性？

这些查询类型也是验证本体完备性的检验工具——如果某个预期查询无法被当前本体支持，说明存在实体或关系的缺失。