互联网技术飞速发展,用户每天通过在线社交会产生大量数据,通过对数据的分析及利用可以为人们创造更多的价值。而高效的图匹配技术可以为数据分析提供鼎力支持。图模式匹配(Graph Pattern Matching,GPM)在许多基于社交网络的应用中具有重要意义,例如专家推荐、社交位置检测等。但现有的GPM方法存在以下两个问题:(1)没有考虑社交环境的多重约束问题,而这种约束经常出现在各种应用中;(2)没有考虑如何维护多约束下图模式的变化,从而导致动态匹配查询的效率低下。针对上述问题,有工作提出了多约束模拟及多约束图模式匹配的概念,通过构建强社交图及索引有效提高了多约束图模式匹配的效率。然而,在解决多约束图模式动态变化的匹配问题方面仍缺乏有效的技术,因此本文提出以下研究内容:(1)基于强社交图的索引增量维护算法。当面临强社交图结构的变化时,该算法可以根据强社交图受影响的部分来更新强社交图索引,而不是通过扫描整个强社交图结构来重建索引。针对增删边、增删点四种图结构变化,分别提出了相应的索引增量维护算法。(2)基于索引增量维护的多约束图匹配算法。在索引增量维护算法的基础上对更新的图数据进行查询匹配,该算法首先给出了一个目标函数评估路径上的聚合约束值,然后结合更新后的索引能够快速有效地识别多约束图模式匹配结果,最后通过实验验证了算法的有效性和高效性。(3)基于索引增量维护的多约束图增量匹配算法。该算法可以直接在原匹配结果上进行增量计算,避免对更新的图数据重新查询匹配,加速结果查询。在五个大规模的真实社交图上进行了广泛的实验,验证了该算法的优越性。