科学技术的发展促进了网络的发展,复杂网络在建模和分析系统特性方面,取得了突出的贡献。生活中的很多问题都可以通过网络进行抽象建模并解决。随着现实社会中各种信息的复杂化,对象之间的关系越来越复杂,二元关系网络在复杂关系建模方面存在的局限性越来越明显,同时二元关系网络在简化的过程中也会带来特性和信息的丢失,因此,研究者逐渐认识到多元关系建模的重要性。多元关系排序问题是多元关系网络中的重要问题之一,很多现实的问题都可以转化为多元关系排序的问题进行解决,如推荐、预测、节点影响力评估和节点重要性排序等。本文在多元关系排序问题中选择了两个代表性的子问题,分别是学者技能评估和疾病基因预测问题,并提出了学者技能排序算法和基于异构概率超图排序的疾病基因预测算法,以获得较好的效果。本文首先对超图的基本概念、定义和构造方法进行了阐述,整理了超图拓扑结构的定义,并介绍了超图中的相关方法和应用。然后对多元关系和多元关系排序进行了定义,并介绍了本文中的两种多元关系建模的方法,分别是基于聚合结构的加权超图模型和基于星型拓扑的异构概率超图模型,然后将这两种建模方法应用到两个问题中。针对学者技能熟练度评估问题,本文在理论分析的基础上利用超图构造了一个技能评估的模型,提出了学者技能排序算法。通过解析PLoS One网站上的论文信息,整合了一个包含作者技能信息的数据集,将本文提出的技能熟练度排序的方法应用到该数据集中,验证方法的有效性,并通过计算出的学者技能熟练度来分析技能增长和转移的模式。针对疾病基因预测问题,本文提出了一种异构的概率超图的构造方法,每个节点根据不同的关系的类型,通过一定的概率归属于不同的超边。在整合了三个数据集后构造出的异构网络中进行了实验,通过异构概率超图排序的方法,为疾病预测可能相关联的基因。实验结果表明,与普通超图排序方法以及多种经典的疾病基因预测方法相比,异构概率超图排序的方法取得了更好的结果。