知识图谱与知识库在很多类型的应用中被广泛使用,例如语义网络,机器翻译,查询扩展,文本分类等。此外,分类知识库也在数据清理,实体解析,信息集成领域扮演着重要的角色。随着知识图谱中实体与关系规模的持续增长,一方面知识图谱本身可能存在着数据质量问题,另一方面,如何对海量数据进行存储、应用是对知识图谱研究的一个巨大挑战。针对上述挑战,本文研究了知识图谱上的数据清理问题并且对知识图谱的存储、应用做了一定程度的探索。本文工作分为两大块：首先针对大规模实体网络中数据清理的挑战,通过分析知识图谱,我们发现在大规模知识图谱中存在着“孤儿概念”这样的数据问题。本文中就此问题提出了首先基于统计实验的算法来找到这些存在问题的概念实体,并且通过一系列自然语言与机器学习的方法为这些存在问题的概念实体进行清理。实验证明,我们基于统计实验的算法的确可以找到“孤儿概念”并且可以有效的进行清理,从而增加了知识图谱的准确性。而后对于本文对大规模网络存储以及应用进行了探索,利用了重新为顶点排序的思想在生物数据集上进行了实验,证实了压缩存储的算法的确有效。其次在应用探索中,我们对XML配置文件中的XML属性值推荐这一场景进行了如何将融入知识图谱的探索。我们发现,通过知识图谱上的语义信息,我们可以更准确地为开发人员推荐XML配置文件中的属性值,从而为软件工程师提供更加便捷的开发工具,帮助他们更好的进行应用开发。