随着符号主义的不断发展,知识图谱已经成为了人工智能的重要基石,近些年发展迅猛,应用领域颇多。各种应用的兴起导致了知识图谱规模的日益增大,有的知识图谱甚至有上百万个顶点和上亿条边,这给知识图谱的数据管理带来了严峻的挑战。如何对图数据进行有效地数据存储、索引建立和查询优化一直是人们研究的热点和难点问题。目前,固定模式的存储结构是当前存储方法的一大瓶颈,这些方法无法体现图数据的复杂性图结构和适应动态变化的图数据和工作负载。其次,索引推荐问题也多集中在单索引推荐上,这无疑限制了索引推荐的效率。在查询优化方面,不同的连接顺序也会导致不同的查询时间,如何找到最优的连接顺序也是查询优化的一个难点。针对以上问题,本文提出了基于强化学习的RDF图数据管理技术,并通过实验验证提出方法的效果。首先,本文采用基于关系的方案来进行图存储,使用强化学习的方法来进行存储结构的决策生成,并根据数据库的反馈来不断动态调整存储结构,使其适应动态变化的图数据和工作负载。据我们所知,这也是第一次将强化学习应用到图存储中,从而自动化地形成存储方案。我们在PostgreSQL和MySQL两种数据库上进行了存储结构实验的验证,并和其他四种目前最先进的存储方法进行了性能的对比。实验结果表明,我们的智能存储结构生成方法显著优于已有的最新研究。其次,本文研究了索引推荐问题,基于强化学习方法进行单属性索引和多属性索引的推荐。该方法考虑了索引间的相互作用,可以在存储结构的基础之上进一步提升查询效率。该部分在PostgreSQL数据库上进行了实验验证,并且和无索引、全索引情况进行对比。实验表明,我们的方法具有良好的性能。然后,本文研究了查询优化问题中的连接顺序优化问题,改进了现有研究的缺陷,提出了新的查询语句特征提取方法。该方法体现了连接顺序生成过程中的连接树结构信息,并进行了实验验证。实验结果表明,我们的方法在性能上优于已有的最新研究REJOIN。最后,我们对三种数据管理技术进行了系统整合,形成一个完整的图数据智能管理系统,并进行了整合实验的验证与分析。