随着数据量的爆发式增长,知识图谱的内容快速扩充,导致知识图谱的规模不断增加,查询难度也越来越大。现有的知识图谱查询算法大多是基于实体标签的子图同构查询,由于实体标签的片面性,不能准确地反应知识图谱的语义关系,导致查询结果的语义相关度不高。同时由于知识图谱的规模较大,现有的查询算法效率较低。针对上述问题,本文从知识图谱压缩和查询算法两方面进行了改进,具体工作如下。首先,提出了基于完全等价类的图压缩算法。针对大规模的知识图谱,通过比较节点本体信息和邻居节点判断节点是否属于相同的完全等价类,以此进行节点划分;然后判断多条边是否满足边的双向关系,进行边的压缩。通过图压缩算法,将知识图谱压缩为一个规模较小的知识图谱,更有利于查询与存储。其次,提出了基于节点相似度的知识图谱查询算法,采用“定位-过滤-查询”的策略进行查询。在定位阶段,根据查询图的全局和局部影响力选择中心节点,并根据此节点的候选集定位查询子区域,进一步减少知识图谱查询规模。在过滤阶段,综合考虑节点的语义相似度与结构相似度过滤节点候选集,提高候选集的语义相关度。在验证阶段,通过边标签同构验证候选集中的节点,生成结果集,并依据查询结果的语义相关度对结果集进行排序,输出语义相关度较高的前k个结果。最后,在Yago数据集和DBpedia数据集上进行实验,和已有的相关算法进行了对比验证。