基于查询语义和NI-LPA的知识图谱划分研究

当前未考虑语义知识的图谱划分方法会导致知识图谱划分后查询通信量增大、查询执行效率降低。鉴于常用查询语句中的语义知识可用于聚合关联度高的子图结构,且NI-LPA(Node Importance-Label Propagation Algorithm)具有支持多标签、时间复杂度低和划分质量高的特点,提出了基于查询语义和NI-LPA的知识图谱划分方法。该方法对常用SPARQL查询集进行语义分析,利用分析结果计算知识图谱中节点间的语义关联度,并将关联度与NI-LPA中代表结构特征的节点重要度相结合,从而得到节点间的传播力度,使重要节点与其语义相关度高的节点更易具有相同的标签。实验结果表明,相较于COPRA和NI-LPA算法,该方法不仅能减少边割率和通信量,而且能在保证冗余度较低的情况下有效地提升查询同区率。