Richting- en paarsgewijze metingen worden vaak gebruikt om interacties in een sociaal netwerk te modelleren. Het mixed-membership stochastic blockmodel (MMSB) was een baanbrekend werk op dit gebied, en de mogelijkheden ervan zijn uitgebreid. Modellen zoals MMSB staan echter voor bijzondere uitdagingen bij het modelleren van dynamische netwerken, bijvoorbeeld met een onbekend aantal gemeenschappen. Daarom wordt in dit artikel een dynamisch oneindig mixed-membership stochastisch blokmodel voorgesteld, een veralgemeend kader dat het bestaande werk uitbreidt tot potentieel oneindige gemeenschappen binnen een netwerk in dynamische settings (d.w.z. netwerken worden geobserveerd in de tijd). Bijkomende modelparameters worden ingevoerd om de mate van persistentie tussen iemands lidmaatschappen op opeenvolgende tijdstippen weer te geven. Binnen dit kader worden twee specifieke modellen voorgesteld, namelijk mengeling-tijdvariante en mengeling-tijdinvariante modellen, om twee verschillende tijdscorrelatiestructuren weer te geven. Twee effectieve posterior sampling strategieën en hun resultaten worden gepresenteerd, respectievelijk met behulp van synthetische en real-world data.