图排名是信息检索,数据挖掘和社交网络分析的基础工作之一。已有的PageRank,Personalized PageRank算法的排名结果都侧重于结点权威性,忽略了多样性。然而,在实际应用环境中,图排名意图难以准确地描述,通常具有不确定性,模糊性和多样性。因此,排名结果只考虑权威性,存在排名结果过于相似的情况,不能满足用户的数据排名需求。此外,在现实的图数据中,图中各结点包含了大量的属性特征,它们会直接影响到排名结果,面向属性图的多样性排名方法是亟待解决的问题。本文提出了一种面向属性图的多样性图排名方法。在保证排名权威度的前提下,提高排名结果的的多样性,希望能够在排名结果的权威度和多样性之间达到尽可能好的折中,从而有效提升图排名结果质量的方法。具体地,首先,提出一种新的属性图上结点间的不相似性标准,证明该不相似性标准满足非负、对称、三角不等式,因此建立了一种新的属性图上结点间的距离度量标准。其次,基于此距离度量,将属性图上的多样性图排名问题建模为一个带权完全图上的离散优化问题。提出了求解该问题的近似求解算法,并给出了该算法在用SparkGraphX分布式计算框架的具体实现方法。本文的这一方法在一定程度上提供了更为丰富多样的排名结果,改变了以往只强调权威度的排名方式,能够在排名结果的权威度和多样性之间达到尽可能好的折中,有效地提升了图排名结果质量。并且,这一用距离度量排名结果的方式采用了全新的角度探索多样性图排序问题。可以较好的在有限的显示空间中呈现具有重要性较高、权威度较高、多样性较高、信息冗余度较低的排名结果,对于优化图排名结果的意义重大。