随着时代不断发展,人工智能技术愈发重要,知识图谱是人工智能技术的重要组成部分。知识图谱作为一种全新的知识组织与表示方式,企业和组织对其格外关注,企业和组织将知识图谱作为底层数据的表示和组织方式,充分利用知识图谱的优势,将知识图谱用于问答系统、推荐系统、信息检索系统,石油领域的企业也不例外,利用知识图谱相关技术已经成为当前数字化变革的新方向。但是,当前对于知识图谱的研究主要是在构建和使用这两方面,在这两方面中也会存在不同程度地忽视知识图谱的数据质量的问题。通过对各个领域知识图谱的研究发现,知识图谱在构建过程中会出现语义不准确、语义重复、语义缺失等语义问题,导致构建的知识图谱不符合使用者预期,最终导致使用此知识图谱的应用出现准确性偏差的问题,影响企业和个人的使用。另外,近年来,越来越多的学者在关注数据质量,各种数据质量模型、质量评估工具层出不穷。但是这些工具五花八门、各种各样,数据使用者也不能有效地使用这些质量工具,根本原因在于开发者在开发数据质量模型与工具时都是按照自己的需求开发,没有采用统一的、规范的质量术语体系,未形成一套数据质量评估标准,无法在用户间、社区间进行共享和交换,导致用户在了解数据质量信息过程中感觉数据质量繁琐、数据质量评估结果难懂,进而重新使用新的数据集,从而导致数据集的利用率降低。针对构建和使用知识图谱过程中可能出现的数据质量问题,本文将知识图谱的质量问题与用户的质量需求相结合,将这些需求与传统的数据质量中的维度进行映射,将语义简洁明了的相关需求映射成为语义简洁性维度,将语义完整的相关需求映射成为语义完整性维度,将语义准确的相关需求映射成为语义准确性维度,这样就实现了传统的数据质量向知识图谱语义数据质量的迁移。针对评估工具与评估模型不规范、不统一的问题,本文通过参考W3C这一权威组织提出的DQV本体,然而在DQV本体中并未对具体的评估细节进行描述,因此,本文通过参考《SY/T7005-2014数据质量控制与评估原则》这个石油领域的标准的数据质量评估原则,对DQV评估部分的细节进行扩展,形成一个针对知识图谱语义数据质量评估相关的本体,旨在提升整个评估流程规范化和标准化,以及评估结果的人机可读,提高数据集的利用率。最后,本文以某油田的井下作业知识图谱和OPENKG开源知识图谱为数据基础,通过Python语言,设计实现了一套可扩展的、前后端分离的、拥有规范化流程的知识图谱语义数据质量评估系统。该系统实现了知识图谱语义数据质量评估中语义准确性、语义完整性、语义简洁性这三个最重要、最普遍语义相关维度的评估。在这三个维度的具体评估上,分别采用以异常值检测、错误值检测为基础的语义准确性评估算法,以空缺值检测为基础的语义完整性评估算法,以及以语义相似度为基础的语义简洁性评估算法,通过对上述知识图谱的实验发现,本文所提出的模型是正确的、可用的,并且促进了知识图谱数据质量的发展。