社会事件提供了对群体社会行为和公众关注的宝贵见解，因此在产品推荐和危机管理等领域有许多应用。社交信息的复杂性和流性质使得在渐进学习环境中处理社会事件检测很有吸引力，在渐进学习环境中获取、保存和扩展知识是主要关注的问题。现有的方法，包括基于增量聚类和社区检测的方法，由于忽略了社会数据中丰富的语义和结构信息，学习的知识非常有限。此外，他们不能记忆之前获得的知识。本文提出了一种新的知识保持的增量异构图神经网络(KPGNN)用于增量式社会事件检测。为了获得更多的知识，KPGNN将复杂的社交信息建模为统一的社交图，以促进数据的利用，并探索GNNs的表达能力，以提取知识。为了不断适应传入的数据，KPGNN采用了对比损失术语来处理不断变化的事件类数量。它还利用GNNs的归纳学习能力来有效地检测事件，并从以前看不到的数据扩展其知识。针对大的社交流，KPGNN采用小批量子图采样策略进行可扩展训练，并定期删除过时数据以保持动态嵌入空间。KPGNN不需要特征工程，也很少有超参数可调。大量的实验结果证明了KPGNN在各种基线上的优越性。

https://www.zhuanzhi.ai/paper/c9eb7a6ef17235aec366506073320e0b