近年来,大数据和人工智能得到了快速发展。当面对海量数据以及高表达性的本体时,推理效率受到巨大的挑战。通过物化方式将推理问题转换为查询问题是当前查询问答推理的主流方法之一,但是物化方法在结果的可靠性和有穷性上存在限制。本文主要研究了基于本体的合取查询问答(Ontology-mediated Querying,OMQ)问题。与包含有限实例的普通数据库的查询应答相比,OMQ中的关键挑战是处理本体所带来的可能无限大的后果集。本文采用基于纯物化的方法,不需要对查询进行重写,通过合取查询的深度来解决本体导致的物化数据库无限增长的问题。该方法可以在DL-LiteNhorn下保证结果的可靠完备性。当表达性提高时,近似处理可以在保证结果的可靠性的同时尽可能靠近完备性。而且通过线下物化的方式有效降低了查询问答的时间代价。本文开发了有效生成和管理数据库物化模型的技术,并在gOWL原型系统中实现。从系统工程的角度来看,物化方法允许设计模块化架构来集成现成的高效SPARQL查询引擎。实验中通过集成RDF-3X和TriAD来分别实现了单机版和分布式版推理机。通过在真实数据集DBpedia以及人工数据集LUBM和UOBM下与当前先进的推理机进行对比,初步的实验表明,gOWL优于PAGOdA,Ontop和Pellet(加速可达三个数量级)。综上所述,本文针对查询问答推理能力弱以及效率差的问题提出了多步型物化本体模型的方法以及对应框架,有效的提升了推理效率和结果的可靠完备性,将会为本体推理应用于大数据提供新思路。