使多主机之间的查询成本最小化对于大数据应用程序的数据处理非常重要。 Hypergraph通过将多路关系或交互表示为超边缘,擅长于对复杂网络(典型的大数据应用程序)的数据和数据关系进行建模。 超图分区(HP)有助于对多个主机上的查询负载进行分区,从而实现大规模网络的水平扩展。 现有的启发式HP算法通常是顶点超图分割,旨在将切出的超边的数量减至最少,同时满足关于顶点的零件权重的平衡要求。 但是,由于工作负载主要由组操作产生,因此将横向边缘上的查询成本降到最低并平衡工作负载应是水平扩展的目标。 因此,我们提出了一种启发式超边缘分割算法HEPart。 具体来说,HEPart根据超边缘的有效移动,将超图直接划分为K个子超图,并具有最小的顶点切割尺寸,同时满足对超边缘权重的平衡约束。 HEPart的性能是使用由无向超图建模的几个复杂网络数据集在不同的cutsize指标下进行评估的。 然后将HEPart的分割质量与替代的超边缘分割器和顶点超图分割算法进行比较。 实验结果证明了HEPart的实用性(例如降低成本,同时保持所需的负载平衡,尤其是在无标度网络上)。