近年来,知识图谱作为人类知识结构化表示形式,引起了学术界和工业界的广泛关注。知识图谱的逻辑架构分为模式层与数据层,其中数据层以图结构的形式描述了多种类型实体与关系,蕴含了丰富的知识。对知识图谱数据层图结构开展分析,挖掘数据层复杂结构特征中的基本模式,有助于研究人员理解知识图谱模式层中本体的复杂连接模式,对知识图谱的分析与理解具有重要作用。本文针对知识图谱数据层的异质特征与稀疏特征,在构建分层布尔矩阵模型的基础上,研究基于布尔矩阵分解的知识图谱的稀疏表征方法,实现了知识图谱中原子图谱结构的准确提取,提高了知识图谱的稀疏表征效率。本文的主要贡献如下:1.提出了基于布尔矩阵分解的复杂网络稀疏表征方法。现有复杂网络稀疏表征方法由于矩阵分解产生的浮点数原因,无法准确提取原始网络中出现的真实原子结构。针对这一问题,本文提出了基于布尔矩阵的稀疏分解算法,使得稀疏分解得到的字典矩阵与稀疏编码矩阵中元素与原始网络邻接矩阵中的布尔型一致。实验证明,在保证表征准确性的同时,与经典复杂网络稀疏表征方法相比,本方法能够准确提取网络中的真实原子结构,为知识图谱的稀疏表征提供有效的基础理论支撑。2.提出了基于分层布尔矩阵分解的知识图谱稀疏表征方法。针对知识图谱数据层异质特征,使用分层布尔矩阵建模,结合知识图谱数据层的稀疏特征,将分层布尔矩阵拆分成多个同质、单层子矩阵,对每个子矩阵分别进行基于布尔矩阵分解的复杂网络稀疏表征。进一步采用原子融合算法对稀疏分解出的同质原子进行融合,得到原子图谱。实验证明,基于分层布尔矩阵分解的知识图谱稀疏表征方法能够有效且准确的对知识图谱进行稀疏表征,抓取知识图谱中基本异质结构模式。3.提出了星型特征约束下的知识图谱高效稀疏表征方法。知识图谱稀疏表征方法会产生大量的、使用频率低、冗余的原子图谱,不利于知识图谱的关联分析与理解。针对这一问题,本文以知识图谱星型结构特征为基础,分析星型结构在知识图谱中数据层中的重要地位,在此基础上对知识图谱进行星型结构建模,将矩阵中的数值进行拆分,使用布尔矩阵分解算法进行分层分解,最终将原子融合,实现了以星型结构为主的知识图谱高效表征。实验证明,与知识图谱稀疏表征方法相比,星型约束下的知识图谱稀疏表征方法能够高效表征知识图谱中的主要结构。