随着语义网的不断发展,早期只是简单连接的数据,逐步形成了一个带有多维权重的海量关联数据网络。因此,如何对这些数据进行有效的处理与整合成为了目前语义网研究的重点。针对当前大量的关联数据及其间复杂的属性关系,本文提出了多维赋权图的概念,即将RDF三元组SPO数据转换成自定义图模型V(点)E(线)W(权重),从而把单一的RDF图转变为多维赋权图。转换之后,通过基于时间递归神经网络的权值预测函数,并结合多维赋权图中相关联的多个变量,对其中的某一变量进行预测。此外,对于真实世界中赋权图数据不完善、权重缺失的情况,本文还提出了基于KNN算法的信息补全方法来完善数据。同时本文引入最短路径并行化的处理,有效提高了数据计算能力。最后,在这样的多维赋权图模式下,结合大规模知识加速器平台,本文进行了相关理论实践,并得出了相对优化的策略。综上所述,在海量关联多维度数据的环境中,本文针对目前语义网推理系统可能遇到的瓶颈问题提出了基于多维赋权图的数据处理模型、基于时间递归神经网络的权值预测方式和基于KNN算法的信息补全方法。将上述三点与灵活、开放、可扩展的大规模知识加速器平台相结合,必能为未来变化无穷的语义网数据处理提供启发式帮助。