在线社交网络(Online Social Network,OSN)已成为有效连接人们和促进信息传播的重要平台,这对我们的社会生活和社会至关重要。但是由于隐私问题和访问限制,研究者很难获得整个社交网络的数据并对其进行分析,因此通过采样得到一个具有代表性的子图至关重要。但是由于同样的原因,我们缺乏原始网络作为参照,这对评估抽样方法的无偏性(尤其是代表性)提出了巨大挑战。因此,用户均匀采样方法(Uniform sampling of user IDs,UNI)[Gjoka et al.2010]被提出以获得原始网络的节点拓扑特性的无偏分布,从而用来评估其他采样方法的无偏性。然而,UNI采样效率低下,并且很少研究由采样节点及其之间的连接所形成的子图的代表性和连通性。故在本文中,本文提出了一种自适应UNI采样(adpUNI)方法,该方法通过将用户ID空间划分为多个均匀间隔并使得各区间采样概率根据其命中率自适应地变化来克服UNI采样效率低下的缺点。基于adpUNI方法,我们进一步将每次采样命中节点的邻居节点也添加到样本集中,这样可以进一步提高采样效率,并获得更具连通性和代表性的子图,我们将该方法称作adpUNI+N方法。最后,我们将提出的方法和其他经典的采样方法应用于新浪微博和Twitter的网络数据的采样,实验证明adpUNI和adpUNI+N在抽样效率上优于其他经典方法,并且始终具有比UNI抽样更好的连通性和代表性。此外我们还发现,一种较为无偏或均匀的采样方法并不能保证其采样子图更具有代表性。