异构信息网络是一种把顶点与类型标签相关联的数据图,用于刻画不同类型对象间的复杂限制语义,如地理社交网络和生物网络等。给定不同类型顶点间的限制关系,极大motif团是符合这种限制关系的“完全子图”。通过发现极大motif团可以在异构信息网络上找到满足特定限制关系且关联紧密的群体。考虑到实际应用中异构信息网络频繁更新,且现有的极大motif团挖掘算法不支持动态图上极大motif团的高效挖掘问题,本文研究动态图上极大motif团的高效挖掘问题,具体研究内容如下:首先,提出了一种支持实时更新的极大motif团算法UMMD。该算法主要由加边策略、减边策略构成,其基本思想是在加减边时,只处理与边两端顶点关联的极大motif团,从而缩小更新范围,并利用极大motif团的性质避免了枚举操作。进一步,提出了更新操作的提前终止策略,其基本思想是在图更新后,检查图中有无motif导出子图发生变化,如果没有,代表没有极大motif团需要被更新,则提前终止算法,从而避免无意义的更新操作。其次,在UMMD算法的基础上,提出了优化的高效算法UMMD+。和UMMD相比,UMMD+的改进体现在:使用优化的倒排索引,减少了UMMD的冗余计算,避免了普通倒排索引的更新不同步问题。通过访问倒排表,可以在更新极大motif团的过程中快速找到处理对象,避免了重复遍历motif导出子图及极大motif团,在加速查询处理的同时提高更新效率。最后,基于20个真实异构信息网络数据集进行实验,实验结果表明,本文提出的方法可以高效支持动态异构信息网络上极大motif团的挖掘问题。