随着社会的快速发展,各行各业的数据规模日益增大,如何对海量数据信息进行高效的提取挖掘成为了近年来的研究热点。而在各种不同的数据类型之中,图因为具有丰富的拓扑结构和维度信息,在复杂关系数据集建模中有着广泛的应用。在大规模网络数据分析这一领域,Graph OLAP技术和图挖掘技术均已成为基于图数据提供决策支持的重要技术。但是二者的发展过程差别很大,现有的研究很难将他们从根本上加以统一。针对目前的研究和发展现状,为了消除或减小这种差别,从而实现图联机分析处理技术（Graph OLAP）和图挖掘技术（Graph Mining）的紧密结合,本课题进行了以下内容的研究:1.Graph OLAM大规模多维网络挖掘框架的研究与设计:完善了Graph OLAM的理论框架与相关概念,一定程度上改善了 Graph OLAP技术和图挖掘技术难以结合的问题。统一并细化Graph OLAM的操作模式,设计元数据管理以及针对时序网络的图数据立方体存储模型,并从逻辑架构和实际操作两方面,搭建完整的Graph OLAM大规模多维网络挖掘框架。2.基于Graph OLAM技术的保险推荐算法及框架:为了解决保险网络的稀疏问题,完善网络的拓扑结构,本文应用Graph OLAM框架中的相关技术,将上卷下钻、聚集、网络表示学习等操作组合起来,将稀疏网络隐含的连接关系通过高层次聚合网络展现出来,设计RU-GOLAM算法,从而有效解决保险稀疏网络这一应用场景的推荐问题,具有较大的现实应用意义。3.基于Graph OLAM的并行分析挖掘系统:为了帮助用户快速使用网络分析挖掘算法进行网络分析,使用户不需要累计海量知识也可以应用本系统解决实际问题,本文结合现有的并行计算框架,搭建了一个基于Graph OLAM的并行分析挖掘系统,为用户提供图形化的大数据云计算应用服务解决方案。