知识图谱为各种领域中实体之间的关系建模提供了强大的支撑。而近年来随着数据集的爆炸式增长,数据的传输、存储和有关知识图谱的挖掘任务也因此受到挑战。图聚集方法提供了一种面向这些问题的解决思路。图聚集方法是在保持图整体结构的同时,将节点和边进行有效地合并,从而得到更为简洁、抽象的超图的过程。与传统的图聚集方法不同,本文提出了一种无损的面向知识图谱的图聚集方法,可以有效地把一个知识图谱划分成一个规模较小,但包含核心知识的摘要知识图谱,以及由其他从属知识构成的详细知识图谱。将知识图谱中的核心部分和详细部分分离能够大大减少搜索空间从而加速挖掘任务,而详细知识图谱也可以重新加入摘要知识图谱还原为原始知识图谱。本文提出的图聚集方法包含多种图聚集策略,每种聚集策略都能有效地识别并压缩知识图谱中的特定结构,从而提高面向这些特定结构的知识图谱挖掘算法的效率。本文的主要工作包括:(1)提出了非聚焦式的聚集方法,包括对等聚集、依赖聚集和子图聚集策略,这些聚集策略分别挖掘出了数据集中的等价结构、依赖结构、模式结构。(2)提出了聚焦式的聚集方法,该方法能根据用户的需求去除无关实体,返回只包含特定类型实体的聚集图。(3)设计并通过多组实验验证了图聚集方法的压缩性能和辅助路径计算的性能,并提供了展示聚集结果的用户友好型页面。本文提出的方法提供了聚集方法辅助挖掘任务的新思路,对于图聚集方法的研究和实践具有重要意义。