近年来,数据挖掘已发展为学术界和业界研究的关键领域,以社交网络和文献引用等关系为代表的稀疏图结构数据挖掘是重要分支。随着大数据时代的不断深入,数据规模迅猛增长,对图数据挖掘算法的执行效率提出了更严格的要求。由于通用处理器性能的提升遭遇瓶颈,而具有更高SIMD并行效率的协处理器成为研究热点。但因为图数据规模大、稀疏性强及其顶点度分布呈幂律性等特点,使图应用在基于通用处理器+协处理器异构平台上的高效实现面临挑战。预先利用两级分块的预处理机制对数据进行划分,提升访问局部性和防止写冲突,是提升图应用在SIMD模式下并行执行效率的重要步骤。本研究针对面向SIMD体系结构的稀疏图算法优化进行了深入研究,对两级分块策略进行改进以提升其执行效率和资源利用率。具体工作包括:1、设计并实现了基于桶结构的图数据最优分组策略。该策略通过将现有数据冲突无关组的构造方式改为直接从每个桶结构中分别选取一个元素用以构造无关组,提升了SIMD执行图算法的效率,同时详细证明了桶分组策略的最优性。本研究针对选择非零元素最多的桶导致较大时间开销的问题,通过引入最大堆机制,将数据分组的时间复杂度降低为O(n*log(b))。2、当大规模稀疏图执行图计算时,针对由于数据在被访问时可能发生频繁的数据访问缺失导致计算效率较低的问题,基于决策树模型设计了面向SIMD结构的稀疏图数据自动协调分块尺寸推荐方法。该方法能结合不同图数据和所执行图应用的特点,自动推荐(近似)最优分块尺寸,使图算法基于该尺寸实现的性能是最优尺寸所实现性能的90%以上,同时极大提升了存储等资源利用率。3、结合上述提出的两种优化策略,本研究实现了一个基于通用处理器+MIC异构体系结构的稀疏图应用系统原型。通过将数据预处理和图算法执行等阶段模块化实现,简化了图算法在异构体系结构上的部署,还通过实验量化验证了上述两个策略的有效性。实验表明,基于自动协调的数据分块尺寸对数据进行预处理后,图算法的效率相较于当前最新成果至多可提升1.29倍。