随着脸书、微博等社交媒体的发展和普及,人们逐渐习惯在这些平台上分享自己的看法,这些观点能够通过社交网络快速扩散并影响到他人。如何在新媒体中最大程度地发挥个人的影响力具有重要意义。目前,大部分影响力最大化的研究旨在查询静态图中影响力最大的节点集合,但是,现实世界中的图是不断动态变化的。此外,现有研究没有考虑不同查询之间的相互影响,而实际上人们倾向于进行多次查询。如何在影响力不断变化的基础上,考虑多次查询找到影响力最大的节点集合,就构成了一个难题。一方面,查询序列对当前查询的影响难以量化。另一方面,图动态变化的特性使得快速有效地生成答案成为一个挑战。针对第一个问题,动态图中基于查询序列的影响力最大化问题量化不同查询之间的关系为影响力增益,并基于此扩展了原先静态图中的问题。为了解决该问题,通过设计一种基于压缩索引的解决方案,实现了三类压缩的顶点影响力索引（影响力增益索引,正向影响索引和反向影响索引）和基于滑动窗口的查询序列管理机制。顶点影响力索引通过跟踪不同略图中节点的影响,从而避免在获取节点影响集的过程中进行大量冗余计算（查询之间以及查询内部的冗余）。查询序列管理机制控制了查询序列的影响范围,并通过聚合的序列计数以及序列影响减少窗口滑动的更新开销。基于该索引方案,当图变化时,保存的索引根据图中影响力发生变化的部分进行更新;当遇到查询时,基于查询序列的算法利用存储的索引快速构建答案。在多个实际数据集上的大量实验表明,与从静态场景扩展的其他方法相比,基于索引的方法能够给出高质量的回答并且具有更高的效率。实验表明,作为查询时选择节点的指标,影响力增益比影响力更能挑选出具有差异性的节点。此外,针对剪枝技术的测试表明剪枝技术在减少访问次数方面起到了促进作用;内存消耗的实验可以看出压缩策略在减少存储开销方面行之有效。