社交网络信息传播速度快、范围广、即时性强,吸引海量用户通过社交网络分享社会消息、讨论现实事件。社交网络事件通常是现实事件在网络空间的映射,因此研究社交网络热点事件预测具有重要意义与价值。例如,预测热点事件能够辅助相关部门管控谣言传播,避免社会恐慌,维护公共安全。用户在社交网络发布的信息以文本内容为主,文本与事件热度相关性高,并且相较其它事件相关数据更易获取,是事件预测的重要数据基础。然而文本数据价值稀疏,因此难以从中挖掘潜在有价值信息,事件预测难度较大。近年来,图神经网络广泛应用于以文本数据为基础的各类任务,并取得较好效果。图神经网络能够充分挖掘关键词语之间的依存关系,凸显有价值信息,一定程度解决数据价值稀疏的问题。本论文以图神经网络为主要技术,针对社交网络的热点事件预测问题展开研究。主要工作如下:（1）提出了基于特征门控编码动态图卷积网络的热点事件预测模型。面向微博类社交网络短文本数据,现有动态图卷积网络模型没有充分利用数据时序特征与语义信息。将动态图卷积网络用于解决网络热点事件预测问题,改进其时序编码模块,将图卷积后的特征向量进行信息压缩,采用全局平均池化操作获得各个维度特征统计量,生成重点特征摘要,并将其用于缩放原特征。基于真实社交网络数据构建实验数据集,实验结果证明所提模型能够有效利用社交网络文本信息,提升热点事件预测效果。（2）提出了基于特征融合动态图卷积网络的热点事件预测模型。社交网络文本信息与事件转发数量等数值信息能够从不同角度描述事件热度,相互关联、相互补充,综合利用多类信息能够学习更加全面的事件演化模式。在第三章模型的基础上,采用门控循环单元对数值信息的时序关联性建模,并将数值特征向量与文本特征向量融合,实现热点事件预测。对比实验结果证明了融合多类特征能够有效提高热点事件预测效果。（3）设计并实现了基于特征融合动态图卷积网络的热点事件预测系统。根据以上研究内容,构建了一个热点事件预测系统,对于辅助相关部门管控谣言传播,避免社会恐慌具有积极意义。