最大限度地降低多主机间的查询成本对于大数据应用的数据处理具有重要意义。超图通过将多路径关系或交互表示为网络,擅长对复杂网络(典型的大数据应用)的数据和数据关系进行建模。超图分区有助于划分多个主机上的查询负载,从而实现大规模网络的水平扩展。在可用的处理单元之间找到一个良好的通信任务划分,对于缩短执行时间、减少能耗、更好地利用计算和通信资源至关重要。因此本文基于生成子图理论改进了现有的切割网络的超图划分算法,能够更高效并行处理拥有庞大数量用户的在线信息通信任务。现有的启发式超图划分算法一般分为两种——顶点划分和超边(网络)划分,其目的是在满足分区权重对顶点的平衡要求的同时,最小化切割网络的数目。但是,由于工作负载主要是由组操作(网络)产生的,那么在水平扩展中,要降低整个通信网络中查询总成本并平衡工作负载,考虑网络划分的方式更为合理。因此,我们提出了一个启发式的网络的超图划分算法。具体地说:首先,确定每个分区包含的平均超边数量;然后,根据逆向思维将超边看成节点,运用最小生成子图的搜索算法,寻找最少的节点能够包含平均数量的超边;接着,将原超图划分为每个分区都包含平均数量的超边;再基于经典的超边划分算法HEPart中的超边移动增益定义对当前分区进行优化;最后,得到满足网络权重平衡约束的超图划分。在两个由无向超图建模的复杂网络数据集中,对所提出算法在不同的割集尺度下的性能进行了评估。并与现有的超边划分算法HEPart的划分质量与性能进行比较。实验结果证明了本文算法的计算成本更小和划分质量更优。