传统的图划分方法是基于边的划分,目的为最小化切割边的数量。人们考虑在分布式系统上运行图算法的可能性,但是传统的边划分并不是处理真实世界中的具有幂律分布的图形。解决该问题更好的方式是将图基于点进行划分,即分割点,将高维度节点分配进不同划分之中,从而平衡分区边数。但是由于由于近几年才对基于点的划分策略有所研究,所以大家都对基于点的划分知之甚少,也鲜有人对已提出的不同划分策略进行评估。为了弥补这一缺陷,本文在机器学习的基础之上,设计了多个基于点划分的度量指标,从各方面评估将划分策略应用到具体大规模图后的分区质量。本文的主要贡献如下:创新性地提出多个基于点划分的度量指标。基于点的划分策略更注重于分区的均衡性和分区的通信成本,我们所设计的度量指标涵盖了这两方面,能够对分区后的图进行有效描述。证明图特征影响最终图算法运行时间。在划分后不同结构的图,通过计算所得的度量指标不同,通过实验证明度量指标与图算法(例如PageRank)有强关联关系。并通过实验证明最影响划分质量的指标为通信成本指标,而关于均衡性的指标相比而言没有通信指标重要。首次使用机器学习算法对给定图预测最优划分策略。我们设计了两种不同的方案,运用统计分析方法和机器学习分类方法建立模型,能够以较高的准确率预测给定图的最优划分模型,能够大幅度减少预期时间。