随着数据的爆发式增长,知识图谱作为一种语义网络,广泛应用于推荐系统、知识问答、社交网络分析等领域。在大数据时代,随着互联网的迅速普及,来自互联网中的海量数据,给人们带来宝贵数据财富的同时也给数据检索带来了巨大挑战。因此,如何对具有丰富语义信息的知识图谱进行高效的查询以获得用户感兴趣的结果引起了学术界以及工业界的广泛研讨,具有重要的研究价值与意义。早期针对知识图谱的查询主要是基于RDF三元组数据实现的,将RDF三元组存储到关系型数据库中,并利用结构化查询语言找到满足查询条件的结果。然而这对于非领域专家的用户而言,表达自己的查询意图和查询兴趣是非常困难的。基于图查询的方法使用户摆脱了学习复杂查询语言的困扰,只需要用户提供满足自己查询条件的图结构即可,其核心思想是子图匹配,通过图匹配在知识图谱中找到同构的子图作为答案。基于图结构的样例查询不会严格要求查询条件特征,将用户的查询视为用户感兴趣的数据示例,方便用户表达查询意图。传统知识图谱上的样例查询方法大多数是基于节点标签或边标签进行子图匹配。在具有丰富语义信息的知识图谱中,节点标签只能标识实体的名称及属性信息,并且相同的边标签可能连接着多种不同类型的实体。因此,基于传统知识图谱的样例查询会导致查询结果语义相关性低,返回的查询结果不能很好地体现用户查询意图。为了解决上述问题,本文提出将实体所属的类型与子类型作为节点的本体标签引入知识图谱中,并对本体标签知识图谱的样例查询方法进行深入研究,提出了面向本体标签知识图谱的样例查询方法。主要研究工作及创新点如下:（1）为了解决传统知识图谱上样例查询结果语义相关性低的问题,本文提出引入实体的本体标签集合即实体的所属类型以及子类型,作为对实体节点的语义描述。在目标数据集进行子图匹配的过程中,既考虑实体节点的本体标签相似性,又考虑边标签同构,以检索出语义相关性更高的答案。（2）针对用户输入单个查询图的情况,提出本体标签知识图谱上的单样例查询方法。第一阶段为过滤候选节点阶段,首先提出有效的双向索引和本体标签树索引提前缩小搜索空间,确定查询节点的候选范围。其次提出本体标签相似度计算公式,将候选节点按照本体标签相似度得分进行降序排序,形成有序的候选节点集合,便于优先验证相关性高的候选节点。第二阶段为验证阶段,首先通过边标签同构算法形成有序的匹配对集合,其次利用有效的候选结果组合排序算法直接组合形成前k个相关性最高的答案。（3）针对用户输入多个查询图的情况,提出本体标签知识图谱上的多样例查询方法。首先,利用本体-边标签索引缩小搜索空间,避免在整个知识图谱中进行搜索,提高查询效率。其次,为了优先返回紧凑程度更高的答案,根据用户查询样例集构建连通的匹配模式,为匹配验证做准备。再次,根据匹配模式在缩小的搜索空间中采用节点向量与索引结合的方式验证候选节点,进一步精确候选空间。最后在候选空间中评估匹配模式片段的候选基数,选择候选基数最少的结构进行扩展匹配以减少同构匹配次数,形成答案集返回给用户。（4）在多个真实数据集上进行多次实验验证,同现有的样例查询相关算法进行比较。实验结果表明,本文所提出的方法在查询效率、查询结果相关性、查询结果有效性、查询结果紧凑程度等方面都具有较好的表现。