信息网,表示了真实世界中众多的对象以及对象之间的联系,在多种现实应用中广泛存在。对信息网的分析研究具有重要的实际意义和广阔的应用前景。在实际中,信息网上的对象和联系常常随着时间的推移不断发生变化,这样的信息网称为动态信息网。近年来,动态信息网中个体、社团及之间关系的分析工作已经取得了一些研究进展,并被广泛应用于实际。但是,相关研究仍然面临着很多挑战。第一,动态信息网中尚有很多重要而有趣的个体、社团及之间关系从未被现有工作关注,及时注意到这些个体、社团及之间关系本身就是很困难的。第二,为研究动态信息网中个体、社团及之间关系,需要分析并建模个体和社团的动态行为特征,进而给出其合理的形式化定义,这同样是一个重要的挑战。第三,真实世界中的动态信息网常常规模庞大并且具有很高的数据演化速率,动态信息网中个体、社团及之间关系分析的很多问题都是复杂而难解的。因此,恰当地选取合适的数据结构来维护动态信息网上的数据,以及设计出适用于大规模、更新频繁的动态信息网的时空高效的算法有效地解决这些复杂问题,都是很具有挑战性的。本文聚焦于动态信息网个体、社团及之间关系分析中4个有代表性的关键问题,提出了一系列时空高效的算法有效地解决这些问题。具体地,先考虑重要而有趣的个体和社团的发现,分别研究了有吸引力的个体和社团搜索问题,以及稳定社团搜索问题;然后对于个体与社团之间关系进行深入分析,从而研究了多社团活跃对象探测问题和成员退组行为预测问题。本文的主要研究成果总结如下:（1）在动态信息网上存在这样一类重要而有趣的个体,他们随着时间的推移总是频繁地发展很多新的一跳邻居。针对该类个体及其组成的紧密联系的团体,本文首次提出了动态信息网上有吸引力的个体和有吸引力的社团的概念对其进行表示,并设计了一系列算法发现他们。本文分别形式化了有吸引力个体和top-k个最具代表性的有吸引力社团的搜索问题,并证明了后一个问题是NP-难的。然后,提出了时空高效的算法探测动态信息网上有吸引力的个体。接下来,分别设计了3种各具优势的算法搜索动态信息网上top-k个最具代表性的有吸引力社团。6个真实数据集上的实验验证了有吸引力的个体和社团在现实中的重要意义,以及本文提出的有吸引力的个体和社团的搜索算法的优越性能。（2）在动态信息网上发现那些随着时间的推移,内部成员总是频繁地保持着紧密联系的稳定社团是很有意义的,考虑到现有模型刻画动态信息网上稳定社团时存在明显的缺点,本文同时结合时间维度、稠密性和连通性,提出了（s,k）-truss稳定社团模型来刻画动态信息网上的稳定社团。本文形式化了动态信息网上多样性top-q个（s,k）-truss稳定社团的搜索问题,并且证明了该问题是NP-完全的。基于“过滤-验证”框架,本文设计了高效的（s,k）-truss稳定社团枚举算法。为搜索多样性top-q个（s,k）-truss稳定社团,分别提出了一种近似比为（1-e~1）的贪心算法,以及一种近似比为0.25的动态选择算法,并设计了有效的剪枝策略进一步节省时间开销。大量真实数据集上的实验说明了（s,k）-truss稳定社团模型相比于现有模型在刻画动态信息网上的稳定社团时的优势,还验证了本文所提算法的优越性能。（3）通过深入分析动态信息网中个体与社团之间的关系,本文首次提出了多社团活跃对象的概念来刻画动态信息网上这样一类特殊个体,他们在一段时间内频繁地游走于多个社团,进而设计了时空高效的算法发现多社团活跃对象。算法将每个对象的社团游走轨迹编码存储在位向量之中,然后将对象活跃性得分的计算转化成了位向量之间的按位与、或、异或等运算,从而大大节省了对象活跃性得分的计算时间。为进一步节省存储空间以及减少重复计算的时间,提出了基于滑动步长的优化策略。大量真实数据集和合成数据集上的实验,验证了多社团活跃对象在实际应用中的重要性,以及本文所提算法的时空高效性。（4）在动态信息网上,具有某些共同特征的对象常常形成群组。随着时间的推移,一些成员将会离开一些群组。无论对成员还是群组而言,预测哪些成员将离开哪些群组都是十分有意义的。考虑到现有的成员退组行为预测算法都是基于邻居信息的,在预测低度节点的退组行为时可能造成精度损失,本文结合成员自身的活跃度和群组的活跃度提出了新的成员退组行为预测算法来提高预测精度。具体地,本文分别给出了成员自身活跃度、群组活跃度以及“成员-群组”活跃性得分的形式化定义,并设计了一系列高效的技术计算这些度量。之后,提出了一个无监督的预测算法在动态信息网上持续地预测成员退组行为。大量真实数据集上的实验证明了本文提出的成员退组行为预测算法相比于目前最好的预测算法,确实很好地提升了预测精度。