1.一种基于偏序格的大型语义图近似摘要方法，其特征在于：该方法包括以下步骤：S1：对大型语义图按照关系类型的丰富程度进行分类，分为：I型，即丰富关系型语义图和II型，即简单关系型语义图；

语义图分类步骤，具体如下：

S11：首先，提取大型语义图的实体数量|V|及关系类型数量 具体为：解析语义图的RDF文件，将语义图导入相应的数据库，包括图数据库和语义数据库，利用数据库查询语言获取；

S12：其次，按公式(1)计算关系指标δ；

语义图由语义数据RDF三元组构成，将语义图定义为 其中V是实体的集合，R是实体之间的关系集合， 是关系类型，即对象属性集合， 是属性，即数据类型属性集合， 是关系到关系类型的映射， 是实体到属性集合的映射；将语义图的中实体的属性视为仅关联该实体的性质，而不是实体与属性值之间的关系；

定义关系类型指标δ：

来衡量语义图中的关系的丰富程度；其中，δ越大则语义图的关系类型越丰富；反之，关系类型越简单；

S13：将关系指标δ与设定的指标阈值δT比较大小关系；根据现有大型语义图的情况，将‑4δT默认值设定为10 ；用户根据所处理的语义图的具体情况进行设定；

S14：最后根据δ与δT的大小，得出语义图类型：当δ<δT时，语义图为I型语义图；当δ≥δT时，语义图为II型语义图；

S2：对于I型语义图，使用算法1根据其特征计算基于偏序格的近似摘要，进而利用算法

3计算摘要的信息度，即：覆盖原语义图的比率；

S3：对于II型语义图，使用算法2根据其特征计算基于偏序格的近似摘要，进而利用算法4计算摘要的信息度，即：原语义图实体的过滤比率；

S4：生成语义图的偏序格摘要结果；

算法1给出了计算于偏序格的I型语义图近似摘要ELSRR的步骤；该算法的输入是语义图G，关键类型集合Rt*，参数σ及语义图类型，输出是基于偏序格的I型语义图近似摘要σL；

S21：对实体模式集合进行初始化；

S22：针对每个语义图中的实体s，若其关联了关键关系类型，则将该实体s及其关联的所有关系类型加入σC中；

S23：合并具有相同特征集合CS的实体，并且按照特征集合CS的基数对实体模式EP进行分层；CS_Tk存放第k层的实体模式EP，即：所有在第k层的实体模式EP均满足：所有实体的特征集合的基数|T|＝k；m表示所有特征集合CS的最大值；

S24：根据各层的实体模式CS_T生成偏序格σL；

S25：返回偏序格σL；

算法2是给出计算于偏序格的II型语义图近似摘要ELSSR的步骤；该算法的输入是语义图G，关键类型集合Rt*，p*的阈值μ(p*)，及语义图类型，输出是基于偏序格的II型语义图近似摘要μL；

S31：对实体模式集合进行初始化；

S32：针对每个语义图中的实体s，若该实体s关联了关键关系类型p*，则检查其关联的相应边集合|Ep*|与设定的阈值μ(p*)的关系，若|Ep*|≥μ(p*)，则将该实体s及其关联的所有关系类型加入μC中；

S33：合并具有相同特征集合CS的实体，并且按照特征集合CS的基数对实体模式EP进行分层；CS_Tk存放第k层的实体模式EP，即：所有在第k层的实体模式EP均满足，所有实体的特征集合的基数|T|＝k；m表示所有特征集合CS的最大值；

S34：根据各层的实体模式CS_T生成偏序格μL；

S35：返回偏序格μL；

算法3是ELSRR信息度计算方法；具体步骤如下：S41：初始化相应变量Iσ,Vb,Vσ,VN,Rb；

S42：计算σL的基图Gb；

S43：根据公式(2)计算信息度Iσ；

定义6ELSRR的信息度：给定语义图 关键关系类型集合Rt*，以及该语义图的ELSRR摘要σL＝(σC,≤)，ELSSR的信息度定义为：其中，Vb和Rb是基图的实体集合与关系集合，V和R是语义图的实体集合与关系集合；

S44：返回信息度Iσ；

算法4是ELSSR信息度计算方法；具体步骤如下：S51：初始化相应变量Iμ,Vb,Vσ,VN,Rb；

S52：计算μL的实体数量；

S53：根据公式(3)计算信息度Iμ；

定义7ELSSR的信息度：给定语义图 关键关系类型集合Rt*及其阈值μ(Rt*)，该语义图的ELSSR摘要μL＝(μC,≤)，ELSSR的信息度定义为：其中Vμ为μC所包含的所有实体集合；

S54：返回信息度Iμ。

2.根据权利要求1所述的一种基于偏序格的大型语义图近似摘要方法，其特征在于：所述S2具体为：定义1实体模式：给定语义图G，设 为实体中所有三元组(s,p,o)中主语s的集合；

对任意 为实体s的特征集合；一个实体模式EP定义为c＝(S,T,A)，其中：(i) (ii) CS(s)＝T；(iii)A＝∪s∈SLA(s)；

设C为所有实体模式的集合，则 形成一个偏序集；若设定2个特殊的实体模式和 则 形成一个偏序格；

定义2关键关系类型：给定语义图G，若关系类型的子集： 是该语义图被检索最频繁的前σ％个关系类型，其中 则称Rt*为关键关系类型集合，Rt*中的元素为关键关系类型；

设定σ值为20；

定义3基于偏序格的I型语义图近似摘要：给定语义图G及关键关系类型集合Rt*，基于偏序格的I型语义图近似摘要定义为由偏序集(σC,≤)所形成的格σL，其中σC是实体模式集合且每个实体模式至少包含一个关键关系类型，即：

3.根据权利要求2所述的一种基于偏序格的大型语义图近似摘要方法，其特征在于：所述S3具体为：定义4基于偏序格的II型语义图近似摘要：给定语义图G及关键关系类型集合基于偏序格的II型语义图近似摘要定义为由偏序集(μC,≤)所形成的格μL，其中： 有|Ep*|≥μ(p*),Ep*是具有关系类型为p*的边集合，μ(p*)为p*的阈值；

设定μ(p*)＝2，过滤至少50％与p*相关的实体；μ(p*)由用户自行设定，且不同的关键关系类型p*设定不同的阈值，以实现对规定实体进行过滤。

4.根据权利要求3所述的一种基于偏序格的大型语义图近似摘要方法，其特征在于：所述S4具体为：定义5ELSRR的基图：给定语义图 关键关系类型集合Rt*，以及该语义图的ELSRR摘要σL＝(σC,≤)，G的基图定义为： 是语义图G的子图满足：

(1)Vb＝Vσ∪VN, 其中VN包含Vσ中所有节点的邻接节点；

(2)Rb＝{(u,v)|u∈Vσor v∈Vσ}；

(3)

(4)

(5) 是一个映射，将Rb中的关系映射为语义图中的关系类型；

(6) 是一个映射，将Vb中的实体映射到语义图中的属性集合；

ELSRR的基图就是摘要所覆盖的原语义图的子图。

5.一种基于偏序格的大型语义图近似摘要系统，包括存储器、处理器及储存在存储器上并能够在处理器上运行的计算机程序，其特征在于：所述处理器执行所述计算机程序时实现如权利要求1～4任一项所述的方法。

6.一种计算机可读存储介质，其上储存有计算机程序，其特征在于：所述计算机程序被处理器执行时实现如权利要求1～4任一项所述的方法。