近年来,语义数据快速增长,适合于处理静态语义数据的前向链语义推理算法面对快速增长的数据,逐渐暴露出缺陷。前向链语义推理为了维持推理结果的完整性,每次数据更新都需要重新推理,效率十分低下。因此,对数据更新不敏感的后向链语义推理开始成为新的研究方向。后向链语义推理由查询目标驱动,在查询时根据规则集推理出查询结果。后向链语义推理算法比前向链复杂,并且推理发生在查询时,因此推理查询比单纯查询的时间开销要大不少,这是阻碍后向链语义推理走向实用的最大障碍。现有的后向链语义推理系统大多处于RDF存储与查询系统的一个子功能的地位,推理能力相对较弱。后向链语义推理的推理过程复杂、规则扩展深度大、难以并行化等特点,导致它在大规模语义数据上做推理存在着效率较低和扩展性较差等多方面的不足和缺陷。本文立足于已有的后向链推理技术,详细分析了语义推理规则集的特点,并结合当前最流行的大数据处理平台,设计了一套较为高效并且可扩展的大规模并行化语义规则后向链推理系统。本文的主要研究工作分为以下几个部分:首先,本文详细分析了后向链语义推理的过程及各阶段对语义数据的依赖,设计了本体数据闭包计算与实时推理相分离的计算策略。语义数据不同于一般的万维网数据,语义数据带有针对特定领域开发的领域本体,这些本体数据描述了领域内各种概念之间的关系,是一类相对稳定并且规模较小的数据,而日益增长的知识属于语义数据中的实例数据。在应用规则推导隐式知识时,所有有效规则都至少包含了一条本体数据作为输入,所以在后向链语义推理的逆向推理(规则扩展)过程中,本体推理模式会频繁地出现,甚至会重复性地出现,因而,其时间开销在整个后向链推理中占据很大比例。本文采用预计算本体数据闭包并将其在计算节点间共享的方法,使得本体推理模式在实时的推理阶段不需要被重复计算,因而能够降低实时推理的时间开销。其次,在后向链语义推理的逆向推理、查询、正向推理三个阶段分别设计了优化措施,进一步提高了后向链语义推理的效率。在逆向推理阶段,根据推理模式在不同层次间的数据依赖关系,尽早剪除无效推理分支;根据相互依赖的多个模式的复杂度,选择最优的推理次序。在查询阶段,设计了多表索引,并通过使用Pre-shuffle技术使得全局扫描可以跳过无关数据块,提高了查询速度。在正向推理阶段,为完全推理模式设计了绑定传播和自由变量两种优化方法;针对冗余结果的推导进行了优化,减少了重复计算和冗余结果;针对连接操作也进行了优化,减少了磁盘的读写次数和网络通信开销。最后,设计并实现了基于Spark平台的大规模分布式RDFS/OWL后向链语义推理系统。Spark是当前最流行的大数据计算平台之一,具有容错性好、可扩展性高、部署简单等优点,基于Spark的实现具有很强的通用性。实验数据显示,本文提出的RDFS/OWL后向链语义推理系统在合成数据集LUBM和真实数据集DBpedia上,都表现出了良好的推理性能,在亿条三元组上的推理开销是几秒到几十秒,并且表现出了良好的数据可扩展性和节点可扩展性。