近年来,社交网络图分析受到广泛关注,然而由于内存的限制,规模不断增长的社交网络图已经无法完整放入内存,这对其存储和分析都带来了挑战。图压缩通过减少存储空间需求为应对这个挑战提供了一种行之有效的解决方法。现有面向社交网络图应用的压缩算法多种多样,有的采用复杂编码技术提升压缩率但无法保证图算法的运行性能、有的采用简单编码技术保证图算法的运行性能但牺牲了压缩率,无法兼顾二者。为解决上述问题,社交网络图压缩算法需要对节点排序以挖掘影响社交网络图压缩率的关键属性从而提升压缩率,并采用简单编码技术保证图算法的运行性能。现有研究已经证实社交网络图的压缩率高度依赖于局部性,而目前挖掘局部性的节点排序算法未考虑到不同节点对局部性的不同影响,仅能挖掘出一部分局部性。本项研究提出了一种基于节点分类的混合排序算法,对高度节点、低度节点、零度节点分别采用不同排序策略,挖掘出更多区域的局部性,提升可压缩范围;采用上述算法提出了一种基于节点分类排序的社交网络图压缩算法NCOGC,既能获得良好的压缩率又能保证图算法在线有效运行;实现了以广度优先搜索(BFS)、网页排名(PageRank)为代表的典型图处理算法,以验证面向NCOGC压缩图的图算法的运行性能。对多种社交网络图数据集和合成图数据集的测试表明,在不同数据集下,NCOGC算法与当前具有代表性的SlashBurn算法相比,压缩率可提升6%-53%;对于面向NCOGC和SlashBurn压缩图的图处理算法BFS和PageRank,其运行性能分别最高可提升86%和21.4%。测试表明,NCOGC既能获得良好的压缩率也能保证图算法运行性能。