随着大数据时代的到来,用图来表示数据成为越来越常见的形式,图聚类也成为了数据挖掘的重要技术手段。传统的图聚类技术主要是静态图聚类技术,即没有特别关注图结构动态变化的情况,这类方法并不十分适用于许多复杂变化的增量数据处理问题。因此,本文主要从发展增量式图聚类技术的角度,探索能够更好适应动态变化数据分析问题的新方法,并开展代表性的应用研究。针对现有动态图聚类技术在数据采样应用上的不足,本文就大规模数据的增量采样问题及事件发现热点新闻推送展开研究及应用。首先为更好地应对越来越大规模的数据高效处理要求,借助近邻传播算法的优异性能,通过引入分层增量处理和样本点动态赋权策略,实现了一种能够非常有效地平衡处理效率和采样质量的新方法。在人工数据集、UCI标准数据集和图像数据集上进行的性能分析表明,新方法与现有相关方法在采样划分质量上可达到同等水平,而计算效率则可实现大幅提升。另外在深度学习的数据增强应用中,文中方法具有显见的实用价值。其次,为获得更好的事件发现和代表性新闻抽取性能,引入数据集代表点采样聚类的视角,研究实现了一种事件发现及表示的集成分析方法。对于给定的新闻流数据,首先引入信息支撑度定义新闻间关系权重和事件关系权重,并通过引入双层近邻传播算法迭代的构建整体时间流上的单向事件内容支撑度网络,实现代表性新闻的分层增量采样,进一步考虑以最大相似度划分策略实现代表性新闻上的整体新闻流数据聚类。实验结果表明,相比于现有相关方法,新方法在大规模新闻流数据上具有显著的计算效率,可提取出新闻流中极有代表性的新闻,以及获得更好的新闻文档聚类质量,其热点事件发现结果与权威机构评选的重大新闻有极高吻合度。