社交网络已经成为人们生产生活中不可或缺的一部分，事件检测对舆情监控、热点追踪、网络对抗，以及国家信息安全等方面有重大意义。社交网络文本碎片化严重、稀疏性高，且事件元素含有异质性，现有方法不能合适地表示事件。异构信息网络HIN的兴起为现有问题提供了新思路和新方法，能够针对特定行业或领域定义新的HIN。
　　本文定义了面向事件检测的社交异构信息网络SHIN。设计了基于SHIN的事件检测架构SHIN_Framework，在此基础上提出了社交异构信息网络中基于高阶GAT(图注意力网络)的事件检测算法SimGAT。具体来说，本文工作内容如下。
　　首先，设计出基于SHIN的事件检测架构SHIN_Framework。针对事件元素异质性，从原始数据信息中提取事件元素，构建SHIN用来表示社交事件，从中选择Meta-Path并提取节点语义特征进行聚类。
　　其次，依照上述框架流程构建SHIN，提出了社交异构信息网络中基于高阶GAT事件检测算法SimGAT。利用相似度计算方法PathSim计算节点间的相似度构建邻接矩阵，衡量不同节点的权重，进而改进GAT。使用图注意力层的Attention机制进一步提取基于内容的节点交互，在多头注意力的基础上增加特征的稳定性。
　　再次，针对有效特征表示，使用高阶GAT模型SimGAT进一步提取节点高阶邻域中的信息，逐步增强初始节点的特征。多层改进后的GAT模型前后结合，采集节点和邻居节点更深层次的embedding，更充分有效地提取SHIN中的节点信息和语义信息。
　　最后，将SimGAT算法提取出的特征作为基于密度的DBSCAN聚类算法的输入，获得聚类簇。每一个簇代表检测出的一个社交事件。在真实数据集上进行社交事件检测实验，验证了本文所提出算法的有效性。