世界万物的交互沿着时间维度推进,如电信话务网络、在线社交网络、科学合作网络、知识图谱以及物联网。人们通常将这类附有时间信息的交互网络建模成时序图。与传统的静态图相比,时序图刻画了交互的时间信息。因此,时序图能够更加细粒度的揭示交互的来源和演化过程。其中,挖掘大规模时序图中的稳定社区结构对于深入理解和管理此类网络具有重要的科研意义和应用价值。然而,对时序图中的稳定社区结构的研究面临着两方面的挑战:一方面,现有的社区模型不能刻画时序图中社区的稳定性。适应时序图的稳定社区定义需综合考虑子图在时序稠密性和时序稳定性两方面的关联特性,因而时序图上的稳定社区的建模更加复杂。另一方面,由于交互是以所参与节点及其发生时间共同区分,所以时序图的规模往往比对应的静态图大,从而严重的增加了时序图中稳定社区挖掘问题的计算复杂度。能同时克服这两方面挑战的研究尚不多,且存在一定的不足。为此,对大规模时序图中的稳定社区结构进行了深入的探究,所取得的主要研究成果总结如下:在拟团（Quasi-Clique）的基础上,提出了一种新的极大稳定社区模型——极大的ρ-稳定-（δ,γ）-拟团（Maximalρ-Stable-（δ,γ）-Quasi-Clique,SQC）。SQC要求发现的全部稳定社区彼此不包含,从而保证了结果中每个稳定社区的极大性。但找出所有的SQC是一个NP-难问题。为此,先设计了一个近似线性时间复杂度的时序图削减算法（Temporal Graph Reduction Algorithm,TGRA）来减小原始时序图的规模。在削减之后的时序图上,采用分而治之的算法框架,并辅之四个高效的剪枝策略来削减搜索范围。实验结果表明TGRA能削减原始时序图98%的节点,以及所设计的最佳算法性能比基线算法快2个数量级以上。此外,案例分析以及定性分析证实了SQC模型的有效性。在k核（k-Core）的基础上,提出了一种新的多样化稳定社区模型——多样化的前r个稳定-（k,σ）-核（Diversified Top-r Stable-（k,σ）-Core,DSC）。DSC要求找出的r个稳定社区能最大程度上覆盖顶点和时间戳,从而保证了结果社区的多样性。由于挖掘DSC是一个NP-难问题,所以高效的计算精确解不可行。考虑到DSC是一个次模函数,基于贪婪的思想设计了近似比为（1-1/e）的算法Gre SC。然而,Gre SC具有极高的时间和空间复杂度,导致可扩展性差。因此,进一步的提出了近似比为1/4的懒惰更新算法Top SC。实验结果表明Top SC实际的多样化质量与Gre SC相当,以及所设计的最佳算法性能比基线算法快1-3个数量级。此外,案例分析以及定性分析证实了DSC模型的有效性。在时间受限的个性化PageRank的基础上,提出了一种新的局部稳定社区模型——时序感知的局部稳定社区（Temporal-Aware Stable Community Search,TACS）。TACS要求所发现的稳定社区中的顶点与给定的查询顶点在结构和时序上高关联,从而保证了结果社区的局部性。首先,设计了一个近似线性时间复杂度的贪婪移除的精确算法（Exact Greedy Removing Algorithm,EGR）。然而,EGR是全局算法,不利于在线的局部稳定社区发现。因此,进一步的提出了两阶段局部搜索的近似算法（Approximate Two-Stage Local Search Algorithm,ALS）。ALS通过从查询点出发来局部地探索时序图。实验结果表明EGR和ALS能在1分钟内找出目标社区,但基线算法却在两天内不能得到结果。在大多数数据集下,ALS比EGR快2-4倍。此外,案例分析以及定性分析证实了TACS模型的有效性。综上所述,针对时序图中稳定社区挖掘这个研究命题,提出了三个新颖的模型:极大稳定社区、多样化稳定社区和局部稳定社区。同时,所提出的挖掘方法能为社区挖掘研究者提供新的视角。