从社交网络中抽取不同性质的子集是社交网络领域中一项重要的研究内容。在已有工作中,该研究课题大致分为两种:基于用户属性特征进行抽取;或基于网络拓扑结构特征进行抽取。但是,从单一角度抽取的子集往往不足以代表原集,因为在抽取的过程中只保留了部分特征。针对该问题,本文提出了新的解决方案。在抽取子集的过程中综合考虑了用户属性特征及拓扑结构特征,以确保抽取结果与原始数据集尽可能相似。具体工作如下:(1)本文针对社交网络抽取子集的相关工作进行了深入研究,并形式化地定义了从社交网络中抽取代表性子集问题,证明了该问题属于NP难问题。本文提出了代表性子集抽取框架K Sampling(KS),先根据用户属性特征进行聚类,以获得属性特征差异化的聚类簇。设计了融合属性特征和拓扑结构特征指标的目标函数,基于已划分的聚类簇使用启发式贪心算法进行采样。实验表明KS框架相对于其他代表性子集抽取方法有较好的表现。(2)基于KS框架,本文提出了优化版的抽取框架Affinity Propagation Community Detection Sampling(ACS)。其中包含了改进版的Affinity Propagation聚类算法,该聚类算法同时根据属性和拓扑结构特征划分用户。对聚类后由于属性相似而拓扑结构差异较大的误差点进行偏移,并在每个簇内利用社区发现算法来区分用户的拓扑结构。并利用深度优先搜索算法进一步完善交互关系稀疏用户合并为新的社区。最后,ACS框架根据目标函数使用带有剪枝的启发式贪心算法进行采样。实验证明框架具有较好的性能,且抽取的子集具有较高的代表性。综上,本文对社交网络中同时根据属性和拓扑结构特征抽取代表性子集问题进行了研究,并提出了相应的解决方案,对相关研究工作具有一定的参考价值。