近年来,随着社会网络分析、机器学习和数据挖掘等领域的快速发展,关联数据(Linked Data)的规模也在迅速增大。随着大规模关联数据的开放,一个重要的趋势是,以图的形式所表达的数据之间的关联关系变得越发复杂,这些数据使用属性图数据模型表达更为贴切。复杂属性意味着更多的语义约束,通过语义之间的约束可以将属性图数据划分为不同的语义相关层。根据复杂语义信息之间的约束对属性图进行划分,可以在执行查询操作时减少跨分区通信的开销,并且查询结果通常可以在单个划分块得到。然而,传统的图划分方法很少考虑到属性图中的语义约束,因此往往在复杂语义的数据划分中效果并不是很好。为了解决这个问题,该研究提出一种新的查询优化的属性图划分方法。首先,该研究提出将属性语义可达路径作为属性图基本的划分元素,使用该新提出的定义来划分属性图中的语义相关层。其次,为了将路径合并到分区中减少数据冗余,还需要设计实现一种高效的空间压缩算法,通过使用聚合顶点来代替属性语义可达路径进行合并,不需要将整个路径合并起来。在具有代表性的属性图数据上进行的大量严格实验证实了上述属性图数据划分方法在语义丰富的属性图上划分的有效性。在负载平衡、数据冗余和网络开销方面,该方法性能与先进的竞争对手相当,并提供了新的一种思路。