随着互联网技术以及社交网络媒体在多种设备（计算机、手机、i Pad等）上的迅速发展,在线社交网络已成为人们交友、分享消息和获取资源等的重要渠道,成为人们生活中不可缺少的一部分。大规模数据持续不断的产生,给社交网络挖掘和分析工作带来了前所未有的机遇和挑战。本论文结合社交网络分析、图计算、概率论和增量式计算的前沿理论和技术,对增量式大规模的社交网络分析关键技术展开了研究。针对大规模社交网络的拓扑结构分析和相关应用研究,本论文分别提出增量式的处理模型和算法,试图根据不断产生的新数据增量式地更新上一时刻的分析或预测的结果,并达到精度与效率的平衡。本论文的主要工作和创新点如下:（1）大规模社交网络中时间子图采样计数研究社交网络中交互数据包含丰富的时间信息,因此,可建模为边上带有时间戳的网络结构,即时间网络或时间图（temporal graph）。进一步地,动态、增量式的社交网络流数据可以建模为时间网络流（temporal graph streams）,即以数据流形式呈现的时间图。本文研究大规模时间网络和时间网络流中时间子图（temporal motif）近似计数问题。时间子图不仅考虑了子图的拓扑结构,还考虑了边的顺序、以及子图的时间间隔。因此,传统网络中只考虑拓扑结构的子图近似计数方法不能直接用于处理时间网络。另外,现有的时间子图近似计数方法效率不高,尤其是在大规模时间网络中。因此,本文试图提出高效的时间子图采样计数方法。针对任意时间子图,本文首先提出一种通用的边采样（ES）算法,估算该时间子图在整个时间图中出现的次数。其次,针对3个顶点和3条边的时间子图（通常用来刻画网络结构的一类重要子图模式）,结合边采样和楔形（即两条边的路径）采样,提出一种改进的EWS算法。然后,针对大规模、增量式的时间网络流数据,通过改进上述ES和EWS算法,分别提出增量式（流式）时间子图计数SES和SEWS算法。结合概率论等知识,本文从期望、方差以及时间复杂度三个方面,对提出的算法进行全面的理论分析。最后,在多个真实的社交网络数据集上的实验结果表明,本文算法比现有的时间子图采样计数方法精度更高、效率更高、可扩展性更好。（2）大规模社交网络中增量式组水平流行度预测信息的流行度是指其在传播中获得的关注数目,例如,转发数目、观看数目、点赞数目等。流行度预测则是根据信息的早期传播情况（包括时间特征、传播路径特征、用户特征等）,提前预测该信息在将来可以获得的关注度。在线社交网络中,信息传播是随时间不断动态演化的,而传统静态的流行度预测方法不能体现信息传播动态演化的本质。因此,增量式流行度预测的研究是必要且亟需探索的问题。另外,通过调研发现,相较于宏观（群体水平）和微观（用户水平）的流行度预测,用户组水平的流行度预测计算成本小,并且能获取更细粒度的预测结果,是一个有前景的研究方向。因此,本文提出增量式组水平流行度预测问题。然后,基于增量式CANDECOMP/PARAFCAC（CP）张量分解技术,提出一个新颖的增量式组水平流行度预测模型。最后,在两个真实的社交网络数据集上的实验结果表明,在预测精度和计算效率方面,所提模型都优于其它的流行度预测算法。（3）大规模社交网络中增量式CP分解的累积误差研究基于增量式研究在社交网络分析中的必要性,结合增量式CP分解在增量式挖掘大规模、多维度、动态变化的数据之间隐藏信息方面的效率优势,本文致力于探索推广增量式CP分解在社交网络分析中的应用。尽管增量式CP分解是高效的,但在实际应用中,随着新数据的增加,增量式CP分解存在严重的误差累积问题。针对这一问题,本文首先深入分析其产生的误差类型（可分为累积重构误差和预测误差）,以及误差产生的根本原因。其次,基于上述两类误差,将本文目标“减少增量式算法的累积误差并保持其效率”,转化为两个优化问题。然后,根据不同类型误差的特征、实际应用的需求、大规模动态变化数据的特点等,分别提出几种重启策略解决这两个优化问题。最后,在两个典型的动态社交网络应用——动态网络重构和动态链接预测中,验证本文算法的效果。并且,从理论分析和应用实验中总结一些发现,为推广增量式CP分解在社交网络分析中的应用提供具有参考价值的建议。