在当前大数据时代,包括大型社交网络数据,尤其是微博的出现,对人们的生活和工作产生了巨大影响,甚至由此形成了新的商业模式。微博类平台的实时高效吸引了大量用户。微博关键用户作为构建微博社交网络的基础,极大影响了微博社交网络的形成和发展,因此,微博关键用户组的分析对微博社交网络的研究具有十分重要的理论价值和实践意义。在面向社交网络的数据挖掘中,社交网络数据复杂性对挖掘算法的准确性和执行效率提出了严峻挑战,如何提高算法效率成为了研究的核心问题。本文针对社交网络的垂直数据格式用分别串行和并行的方法进行深入研究。本文的主要工作如下:首先,详细阐述社交网络基本理论,通过用户与用户之间的关注关系建立有向的在线社交网络。介绍社交网络用户影响力、关键用户的研究方法的分类,介绍频繁模式挖掘算法分类,频繁模式挖掘也适用于解决社交网络分析问题。其次,详细解释了社交网络关注模式数据结构,分析对关注模式数据结构还面临着产生候选项集过程中连接动作时间复杂度较高的问题。针对不足,提出基于垂直数据格式的在线社交网络关键用户组发现算法---VDF-Miner算法。将数据进行按位存储,将集合求交的运算改进为位求与,对频繁项集按照相同前缀进行分组,来降低中间结果的数量中产生的事务标识数量可以加快求交集速度。然后,提出的VDF-Miner思想应用于MapReduce框架,将数据从分布式文件管理系统中读入并修改数据的存储结构,将获得的数据按前缀分发于不同的计算节点,在各计算节点上求解其所对应的分组中的所有频繁项集。最后,实验结果表明,VDF-Miner算法效率大约是FoP-Miner算法的1.8倍,VDF-Miner算法效率大约是Eclat算法的1.2倍。