标签图是指节点具有标识能力的一种特殊的图结构,已经普遍应用于地理社交网络、电子商务网络以及生物信息网络等领域的建模。随着科学与计算机技术飞速发展,上述各领域抽象的标签图除具有传统的图数据特点外,又呈现了数据规模巨大、数据增长过快以及数据更新频繁等特点。子图查询因对图数据分析具有重要意义得到了研究者的广泛研究。然而,随着标签图规模日益增大,人们逐渐倾向于只关注众多查询结果中一些高匹配结果,希望借助查询结果之间的关系以及数量等快速获取期望结果。因而,为了满足用户的个性化查询需求,更具针对性的Top-K兴趣子图查询方法应运而生。研究者考虑到传统的无优化策略的子图查询算法在大规模图中难以应用的弊端,研究借助数据库的索引技术实现对图中节点或边进行索引,或借助图压缩技术缩减数据图规模以加快查询效率。然而,大多数新研究的子图查询算法忽略了现阶段的大部分标签图的数据增长过快以及数据更新过于频繁的特点。同时,在Top-K兴趣子图查询中,多借助边的权值定义实体间的某种限制关系,这导致现有的针对无权图的子图查询算法难以直接应用。因而如何实现在大规模且动态变化的加权标签图上的Top-K兴趣子图查询成为图数据处理过程中研究热点之一。本文针对上述问题展开深入研究,提出了一种适用于大规模加权标签图的动态Top-K兴趣子图查询(Dynamic Top-K Interesting Subgraph Query,DISQtop-K)方法,该方法由离线预处理和在线查询两阶段构成。首先,离线预处理阶段,针对初始的静态标签图在尽可能压缩图规模的同时完成图压缩拓扑结构特性(Graph Compression Topology Feature,GCTF)索引的构建,基于构建的GCTF索引进行图分割,为后续并行查询和将标签相同且相连的多个节点及与其相邻的边的打包过滤奠定基础。其次,在线查询阶段,利用被压缩的节点个数、节点的邻接点标签频率、边的权值以及被同时压缩的边的最大权值等多个因素对各分区的候选集进行过滤,并对经过滤的候选集进行匹配验证和验证结果的连接,极大地提高了子图查询的效率。然后,利用滑动窗口收集的操作记录流,针对初始过滤后的候选集及结果集进行动态修正和对索引进行动态维护,提高了动态查询的效率以及动态查询结果的准确性。最后,在真实数据集和模拟数据集上的大量实验验证,本文提出的DISQtop-K方法通过图压缩和图分割,在一定程度上提高了兴趣子图查询效率,并且在提高动态查询效率的同时提升了动态查询的准确性。