图作为一种常见的数据结构,可对一组对象(节点)及其关系(边)进行建模。其中,动态图作为常见的图类型,则是近年来图领域研究的热点。由于动态图中的对象及其关系往往是变化的,因此可以用来建模具有时序性的信息。目前,随着网络和科技的发展,人们能够获取更详细的数据来构建动态图,而这也为动态图的路径查询问题带来了新的挑战,即如何在海量的数据中迅速找到满足用户需求的路径。对此,本文主要研究了基于多约束的动态图路径查询,希望能够在提升查询速度的同时保证查询结果的准确性。基于多约束的动态图路径查询不仅需要保证查询结果的准确性和有效性,即保证查询结果是满足用户需求的较优解。同时需要保证查询的效率,即查询应该是快速和高效的,不需要用户等待较长的时间。但现有方法为了保证查询结果的准确性,往往采用基于遍历的路径搜索方式。这些方法在应用到大规模的动态图时往往需要耗费搜索大量的时间来得到最优解,因而在现实生活中不具备很好的适用性。对此,本文采用了与传统遍历方法不同的搜索方式,基于强化学习构建了一种新的路径查询模型。该模型将基于多约束的动态图路径查询转化为强化学习问题,并采用蒙特卡洛树搜索的思想进行建模。此外,为了提高查询的效率,本文还设计了经验回放机制。针对不同路径之间具有关联性的特点,提取路径的特征并保存于经验回放池中。最后,使用经验回放池中的路径特征对未知路径进行筛选,使模型在大规模动态图上查询的准确性得到进一步的提高。本文在YouTube,Facebook,Twitter等多个真实数据集上对上述模型进行了实验验证,并与现有方法进行了比较。实验结果证明了该方法在基于多约束的动态图路径查询上的可行性和高效性。该研究成果对基于多约束的动态图路径查询应用具有一定的帮助,并对相关的研究工作具有一定的参考价值。