随着在线社交网络的迅速发展,如何从庞大的社交网络用户中抽取有代表性的用户成为亟待解决的问题。社会网络分析中的一个基本问题就是找到一个用户的子集来代表原有的社会网络,这个用户的子集就是我们所想获取的代表用户。近些年来,科研工作者在社会影响分析,影响力最大化以及图抽样问题等方面有了深入的研究,而在抽取代表用户方面研究很少。在已有研究的基础上,本文针对前人研究的不足,提出了一种基于度与代表度的社交网络代表用户抽样算法。该算法主要包括两个方面:(1)将被抽样用户根据属性划分成多个属性组,并依据节点度和节点代表度计算属性组代表度。节点度是由该节点与其他节点的关联个数决定。节点代表度是在一些局部拓扑结构中,权值更大的人应该具有更大的代表度。属性组代表度是指某个用户子集对属性组所有用户的代表程度。从而,抽样代表用户问题转化为抽样出对于所有的属性组具有最高代表度的用户子集问题;(2)利用所有属性组的代表度计算质量函数,通过质量函数的增量来衡量每个未被抽样用户对所有属性组用户的代表程度,从中选择具有最大代表度的用户作为一个新的代表用户。我们利用两组真实的数据进行了6种算法间的对比试验。结果表明,与已有算法相比,基于度和代表度的代表用户抽样算法精确率在不同实验集合平均有4.1%-44.6%的提升,并在算法耗时上优于前人算法。