带有社交信息、空间位置信息以及关键字信息的社交数据能够帮助人们在社交网络中找到感兴趣的数据对象和用户,为此本文提出社交网络中的多维度Top-K查询,来满足用户的查询需求。综合考虑社交信息、空间位置信息和关键字信息,根据用户指定的评价函数计算社交网络数据的偏好得分,为用户返回偏好得分最高的k个结果。本文主要研究内容包括基于内存和外存的社交网络数据多维度Top-K查询所需的索引结构和查询算法。本文设计了多种索引结构以及查询算法来满足不同场景下的社交网络多维度Top-K查询,为用户相应的决策提供支持。针对内存中的社交网络多维度Top-K查询,本文提出适用范围不同的三种查询算法。首先,基于社交网络维度的查询算法从查询节点出发层次遍历社交网络,更新未遍历数据对象的偏好得分上界,剪枝社交网络中的节点。其次,针对关键字维度建立关键字与空间网格的倒排索引,提出距离上界枢纽的概念用于社交距离估计,综合以上信息估计网格的偏好得分上界,剪枝空间网格。最后,针对空间维度建立SKR*索引,在R*树中添加社交信息和关键字信息,计算未遍历SKR*节点的偏好得分上限支持查询早终止。最终通过实验验证,本文提出的三种算法在不同适用范围内高效支持社交网络多维度Top-K查询。针对外存中的社交网络多维度Top-K查询,本文提出两种查询算法。首先,提出了以关键字信息为主要剪枝属性的SKI索引结构,并设计了外存中构建SKI索引的两阶段算法,提出了基于SKI索引结构的查询算法,通过划分社交网络来减少外存中社交网络数据对象和索引结构的访问代价。随后,提出了外存中SKR*索引的构建方法,通过先序遍历将SKR*节点信息以及子节点的位置写到磁盘,在查询过程中,利用SKR*中存储的多维度信息计算偏好得分上界,以此剪枝索引文件访问。并通过实验验证本文提出的两种查询算法分别在不同情况下高效地支持外存中的社交网络多维度Top-K查询。最后,本文以两类不同的搜索算法为核心,实现了社交网络多维度Top-K查询系统,有效地支持内存和外存中的社交网络多维度Top-K查询。