如今,在线社交网络已经成为我们日常信息传播的重要载体和渠道,有关社交网络的研究,对人类社会发展和商业推广等方面都有着实际的应用价值。社交网络应用分析的一个重要问题是对用户进行排名。现有的社交网络用户排名算法主要分为基于中心性的方法,基于超链接引导主题搜索算法以及基于PageRank算法。传统的排名算法无论是加权的还是未加权的,仅使用基于边的关系,一些排名算法考虑到结点参与的高阶结构,通过模式去获取结点之间的高阶关系,表现出较好的排名效果,但未对结点之间交互频率的特点进行有效设计。随着信息时代的高速发展,人们对信息加载速度要求越来越高。一个健壮的社交网络用户排名算法不仅能根据不同目的准确的返回用户列表,还应快速高效。基于以上问题,本文对基于模式的社交网络用户排名算法展开了研究,在考虑用户之间高阶关系基础上引入交互频率的概念,采用特殊稀疏矩阵存储方法降低了内存占用,多核CPU并行计算和GPU加速矩阵迭代的方法缩短了实验运行时间。本人完成了如下工作:（1）提出了基于模式的交互频率加权社交网络用户排名算法,用来处理用户之间交互频率的问题。本文介绍了根据用户之间交互频率对网络图和模式进行加权的原理,讨论了三种加权方法的排名效果,以确定最优的加权方法。为评价这些方法的性能,本文分别在学者网络和Twitter数据集上进行了实验,以接近中心性方法排名结果为理想化列表,计算基于模式的PageRank算法和三种加权方法的归一化折扣累积增益。分析了它们在不同系数下的实验效果,并比较了它们在3结点简单模式和anchor模式上的结果。实验表明,在加权社交网络图中引入模式的方法相较基于模式的PageRank算法而言,准确率有了较好的提升。（2）提出了基于模式的多进程与GPU加速社交网络用户排名算法,用于降低算法内存和运行时间。本文首先采用压缩稀疏行和嵌套列表的方法,降低了矩阵的占用内存,接着采用多进程方法,在多核CPU上进行连续性编码和矩阵归一化并行运算,其中在并行矩阵归一化的过程,针对稀疏矩阵中非零元素分布头重脚轻的问题,又提出了根据非零元素个数进行动态切片的方法,使多个进程在近似相同的时间结束,从而缩短矩阵并行化时间,最后使用GPU进行矩阵迭代。相较采用这些方法前,本文提出的算法不仅降低了内存占用,而且缩短了运行时间。