Direktionale und paarweise Messungen werden oft verwendet, um Interaktionen in einem sozialen Netzwerk zu modellieren. Das stochastische Mixed-Membership-Blockmodell (MMSB) war eine bahnbrechende Arbeit auf diesem Gebiet, und seine Möglichkeiten wurden erweitert. Modelle wie das MMSB stehen jedoch vor besonderen Herausforderungen bei der Modellierung dynamischer Netzwerke, z. B. mit einer unbekannten Anzahl von Gemeinschaften. Dementsprechend wird in dieser Arbeit ein dynamisches unendliches stochastisches Mixed-Membership-Blockmodell vorgeschlagen, ein verallgemeinertes Rahmenwerk, das die bestehende Arbeit auf potenziell unendliche Gemeinschaften innerhalb eines Netzwerks in dynamischen Einstellungen erweitert (d. h., Netzwerke werden über die Zeit beobachtet). Zusätzliche Modellparameter werden eingeführt, um den Grad der Persistenz zwischen den einzelnen Mitgliedschaften zu aufeinanderfolgenden Zeitstempeln zu reflektieren. In diesem Rahmen werden zwei spezifische Modelle, nämlich gemischte zeitvariante und gemischte zeitinvariante Modelle, vorgeschlagen, um zwei verschiedene Zeitkorrelationsstrukturen darzustellen. Zwei effektive Posterior-Sampling-Strategien und ihre Ergebnisse werden anhand von synthetischen und realen Daten vorgestellt.