相对于线性表结构和树型结构,无论是在结构方面还是语意方面,图数据结构在现实世界都具有更好的表达能力,甚至现实生活中的一些场景用图数据表示更具有优势,因此针对图数据的研究就具有了重大的意义。现实世界的实体扩增和海量数据的大规模应用,给图数据处理带来了巨大的挑战。传统的图表征方式大多采用邻接矩阵,虽然这种方法能够直观的表达图结构以及利于计算。但是随着数据量巨幅增加,传统的图表征方式在存储和计算复杂度上显得效率极低。在图数据处理框架方面,虽然在数据呈现巨量增长和图数据处理需求多样化发展的时代,涌现出了很多大规模图数据处理系统。但是这些系统存在着对内存的利用率极低、重复利用中间计算结果以及对磁盘的高I/O访问等问题。因此论文针对大规模图数据处理问题,提出了一种基于向量的高效图表征方法和Spark环境下的大规模图处理机制。论文集中于节点向量的高效率学习过程。在尽量减少内存的开销以及保证合理的计算量的前提下,通过对原始图结构的训练,将图结构中的每个节点映射成一个低维向量,避开了矩阵结构带来的缺点的同时,也没有大幅增加整个模型的计算量。针对如何处理大规模图数据,对基于内存的分布式计算框架Apache Spark进行了图分割机制的优化。以及考虑到在复杂关系的处理中整个框架的高I/O问题,在计算层与存储层之间增加了基于内存的图结构数据缓存层。最后在实验对比中通过与Skip-Gram和SVD算法对比,证明论文提出的方法在内存消耗与图表征准确率上都要优于其他两个算法。