图摘要是图的一种简洁表示,它能够有效地解决实际应用中的大规模图数据的分析、查询和存储问题。为了计算出动态图的摘要,研究人员将动态图建模为张量,使用张量分解算法挖掘出动态图的多维信息,然后利用这些信息计算图摘要。然而,当前的许多张量分解算法往往忽视了无权图数据的二进制特性,计算得到的实值因子矩阵对于原始图数据并不具有可解释的表达性,因此本文拟采用布尔张量分解方法来进行动态无权图张量的图摘要计算。布尔张量分解由布尔矩阵分解算法演化而来,是一种面向二进制数据的张量分解算法。相比于实值张量分解方法,布尔张量分解的优势在分解结果的可解释性和稀疏性。然而,目前的布尔张量分解算法集中在静态布尔张量的分解上,而实际应用系统中的张量数据往往并非静态,而是不断地增加和累积。静态布尔张量分解算法在面对不断增长的动态张量时,效率会大幅地下降。为了解决二进制张量的增量分解问题,本文设计了一种增量布尔张量分解算法ICDBTF（Incremental Distributed Boolean Tensor Factorization）。ICDBTF算法主要分为三个过程:采样、分解与合并。通过采样方法,大型动态张量采样生成多个子张量,每个子张量并行地进入分解流程之中。最后,子张量的布尔因子矩阵依次与总张量的布尔因子矩阵进行合并,每次合并过程都可以视作一次因子矩阵更新操作。ICDBTF算法通过减小分解张量的大小和多张量分解的并行计算,极大地提高了算法的执行效率,最后通过启发式的合并策略,确保了算法的正确性。同时,本文将ICDBTF算法应用于动态无权图摘要计算流程中,设计出一种新的图摘要算法BTen Clust S（Boolean Tensor Cluster Summarization）。BTen Clust S算法利用布尔张量分解算法提升了分解结果的可解释性,同时通过增量计算提升了算法流程的计算效率。实验结果表明,ICDBTF能够在保证不损失计算精度的前提下,将布尔张量分解的计算效率提高2.2～4.6倍左右。而BTen Clust S算法相比与基线算法,能够得到压缩质量更好的图摘要结果。