如何从超大规模数据中高效查询用户需要的信息是当前的研究热点,而知识图谱是实现大数据查询的重要解决方案之一,也因此成为了下一代搜索引擎的基石。目前知识图谱的数据主要来源于互联网,而一些网站对全世界的用户开放了协同编辑入口,使得知识图谱呈现出数据规模大且存在异构性和多样性等特点,即针对同一知识有不同的表达和描述形式,这对实现可靠有效的知识图谱查询是一个巨大的挑战。现有的研究工作大多将知识图谱查询建模成子图匹配问题,一类是子图的精确匹配查询,而知识图谱噪声数据多的特点使得该类查询容易丢失符合用户查询意图的结果;另一类是子图的模糊匹配查询,该类查询大多是根据子图的结构进行泛化却没有考虑图谱中隐含的语义信息,而知识图谱中同一关系可能有多种语义描述,导致该类查询也可能丢失符合条件的查询结果。因此,需要设计一种方法获取知识图谱隐含的语义信息,并借助该语义信息提出新的查询算法来改进现有算法在知识图谱查询精度和效能方面的不足。RDF(Resource Description Framework,资源描述框架)是知识图谱的一种存储形式,为了提高大规模RDF形式知识图谱的近似查询在数据异构性和多样性约束下的查询精度和解决性能瓶颈问题,设计一种基于知识语义理解的Top-k知识图谱近似查询方法,从知识图谱加工存储、知识图谱语义获取、知识图谱查询模型几个方面进行研究和优化。主要研究工作如下:(1)RDF知识图谱数据加工及存储优化。对基础数据集进行数据抽取和预处理,去除知识图谱中多余的无效信息,并设计基于邻接表索引的结构对知识图谱进行存储以满足后续基于语义的图查询需求。(2)提出局部子图划分方法和局部相关语料文本获取方法,将知识图谱转化为语料文本,并利用主流的文本嵌入模型对其进行训练得到语义向量。(3)提出一种基于动态界限的Top-k算法实现RDF知识图谱的高效语义近似查询,在满足查询精度的同时保证查询效率。基于上述研究成果,设计开发面向开放数据集DBpedia的RDF知识图谱语义近似查询原型系统,验证了研究成果的有效性和可用性。本文研究成果将有助于解决大规模RDF知识图谱近似查询在数据异构性和多样性约束下的查询精度和性能瓶颈问题。