随着信息化进程的推进,许多计算机应用中会用到图数据库,如:推荐系统、知识图谱、社交网络等。但是,由于在获取、解析数据的过程中存在误差、干扰等因素,常常会导致这些应用中存在着不确定数据。概率数据库可以存储不确定数据并且返回带有置信度的查询结果。但不确定性的累积和传播有时会降低查询结果的可用性,令用户不满意。数据的不确定性严重影响了数据的性能。因此,有必要降低概率数据库的不确定性。RDF被广泛用来表示知识图谱,对概率RDF数据库的研究是计算机研究领域中的热点之一。目前,多数清洗问题主要集中在关系数据库和模式匹配领域,还没有关于概率RDF数据库上SPARQL查询的数据清洗研究。如果使用K-path中心性等依据来选择边进行清洗,其结果在质量提升方面的效果不是很好,需要设计新的清洗算法。但是对于大规模概率数据库而言,将所有数据进行清洗是不切实际的。只需对那些能够使得查询质量提升最大的若干数据进行清洗即可。本文处理的就是在一定的预算下清洗RDF数据库使得查询质量提升最大化。众包平台的出现使得数据清洗变得更加方便,可以先用清洗算法选出能使查询质量提升最大的数据,,然后通过众包平台进行清洗。本文首先介绍了概率RDF数据库模型,然后分析该模型上的图查询如何由众包来提升查询结果的确定性。其基本思想是让众包工作者决定边表示的关系是否正确,以降低整个查询的不确定性。通过分析,本文提出了3种不同算法来选择使得查询质量提升最大的边。朴素算法需要对每条有效边计算信息增益,效率不高。在此基础上,通过两种剪枝方法缩小待选有效边的规模提出了剪枝算法。此外,本文还针对满足Pr(PHI)= 0的查询提出了快速优化算法,只需计算每个有效属性中最接近0.5的那条边的信息增益即可,大大减少了运算量。最后,将本文提出的算法与WERW-Kpath算法等进行比较,得出本文所提出的算法在查询质量提升方面效果很好。在时间上,剪枝算法比朴素算法要快,当查询满足Pr(PHI)= 0,快速优化算法的效率最高。该问题的解决对于大规模RDF知识库上的高质量检索查询具有实际意义。