知识图谱由Google公司于2012年提出,现已成为适用于描述各个领域复杂资源关系的数据模型。由于知识图谱规模的日益增长,在分布式环境中管理图数据成为发展趋势。子图匹配查询是图查询处理中最基础和最重要查询类型之一,部分求值技术最近被应用于分布式图数据查询的处理方案。然而,基于部分求值的方法存在一个缺陷,即当中间结果规模较大时,集中计算阶段会出现通信和计算瓶颈。本文在部分求值框架的基础上提出了通用部分求值模型,用于改进基于部分求值的分布式图查询算法存在的问题。具体描述为,经过本地部分匹配阶段后,在集中计算阶段前,增加从节点间并行且轮流执行的步骤:消息传递及局部合并计算,轮流执行次数依赖于参数k,其中,k＞0可以与查询一同输入设置。通用部分求值的出发点在于牺牲从节点间的少量通信代价和局部计算代价,以换取集中计算阶段合并效率的大幅度提高。基于通用部分求值模型设计分布式子图匹配查询算法,详细分析并形成算法对应的理论代价模型,并以代价模型为依据提出两种优化策略,包括顶点编码和构建部分匹配索引,用于减少通信开销和计算代价,从而提高整体查询效率。本文使用标准数据集LUBM和真实数据集DBpedia,并通过设计多种不同查询,将基于通用部分求值的子图匹配查询算法与gStoreD系统进行对比实验。实验结果表明当本地部分匹配阶段生成的中间结果规模较大时,基于通用部分求值的分布式子图匹配算法可以有效提高合并计算阶段的执行效率。相比于gStoreD,本文所提算法在合并阶段的计算时间平均减少了 33.31%。并且通过调节参数k的值既展示了算法的灵活性,又验证了优化策略的有效性。