随着互联网时代的到来,信息化已经成为当今社会的趋势。随着计算机技术在工业界、产业界以及人们日常生活中的广泛应用,产生了海量的数据。在海量数据中,往往包含着丰富的信息,有待于发掘和分析,为智能化时代的智慧问答、辅助决策、推荐系统等提供更加有力的支撑手段和理论依据。因此,从海量的数据中提取有效的信息,并归纳总结成能够为各行各业提供帮助的知识,已经成为大数据时代人们的共同目标。在人工智能技术、机器学习技术的发展和创新的背景下,诞生了大量的分析、挖掘和处理海量数据的方式。通过应用统计学习方法、深度学习方法等,在海量数据中总结和发现规律,已经成为了当前的趋势。然而这些方法中普遍更加注重对数据规律的发现,而缺少对数据中语义信息的挖掘。在谷歌公司于2012年提出知识图谱的概念后,陆续出现了许多通用领域知识图谱,如Freebase,YAGO,DBpedia等。通过语义网络的结构,将现实世界中的事实用计算机能够理解的形式表示出来。除通用领域知识图谱外,各行各业都致力于打造属于自己领域的专业知识图谱,也称之为垂直领域知识图谱。在知识图谱生命周期中,除了知识图谱的构建和推理计算外,两个重要的环节是知识图谱的清洗和更新。对于提供查询服务的知识图谱而言,衡量其效果的两个重要指标就是查询的时间和准确率。然而在知识图谱的构建过程中,不可避免地会出现冗余和错误知识,对知识图谱查询的准确率造成影响。此外,在实际应用中,很多企业对知识图谱的清洗不够重视,导致知识的大量堆积,既会造成查询效果差的问题,也会给企业维护知识图谱带来巨大的压力。基于上述问题,本文针对以下三个方面,面向查询需求,对知识图谱清洗和更新进行了研究和验证:第一,知识图谱子图谱提取。为了更加有效地利用海量数据中的信息和知识,为查询系统使用者提供更加精准、高效的查询服务,进而辅助用户决策、系统推荐等功能和服务,本文提出了一种面向查询的子图谱提取技术。利用提出的节点保留概率模型,结合用户的查询兴趣与知识图谱中实体节点的类别,进行综合的评估,完成了子图谱节点的筛选和保留。在Freebase子集上的实验表明,通过该子图谱提取模型,会在保证用户查询准确程度的基础上,大幅降低子图谱中无关的节点数量,降低查询时间。第二,子图谱清洗技术。针对子图谱中存在的冗余知识和错误知识,提出了一种基于图嵌入技术的知识图谱清洗技术。首先,利用Trans R翻译模型,将自然界的知识表示为低维空间中的向量。接下来,由清洗模型进行基于语义相似度比较的冗余知识处理,将子图谱错误发现问题转化为多类分类问题,并根据图嵌入的结果进行填充和校正,实现知识图谱的清洗。实验表明,通过清洗技术,能够有效地在知识图谱中发现和去除冗余和错误的节点。第三,子图谱更新技术。本文提出并分析了在知识图谱更新环节中,原有知识图谱与子图谱同步过程中可能会发生的问题。针对子图谱需要进行更新的几种情况,提出了更新预测模型。由于在子图谱的实体节点之中,有更新相关标签的样本数量远少于无更新标签的样本数量,因此本文采用了半监督学习中的生成式方法训练预测模型。本文提出的子图谱更新属于增量更新方式,比起采取对整个子图谱进行更新的方式,只关注部分发生改变的实体节点进行更新,会更加节省计算资源和更新所需时间。