El método de incrustación de nodos permite el aprendizaje de características y representación de la estructura de la red para la detección de comunidades en redes sociales. Sin embargo, el método de incrustación de nodos tradicional se enfoca únicamente en la representación de características individuales de un nodo e ignora la representación de características topológicas globales de la red. Los métodos tradicionales de detección de comunidades no pueden utilizar el vector de nodo estático del método tradicional de incrustación de nodos para calcular las características dinámicas de la estructura topológica. En este estudio, se propone un modelo de detección de comunidades dinámicas incremental basado en una representación de incrustación de nodos de red neuronal gráfica, que comprende los siguientes aspectos. Un modelo de incrustación de nodos basado en caminatas aleatorias de influencia mejora el enriquecimiento de información de la representación del vector de características del nodo, lo cual mejora el rendimiento de la detección de comunidades estáticas iniciales, cuyos resultados se utilizan como la estructura original de la detección de comunidades dinámicas. Al combinar un coeficiente de cohesión y modularidad ordinaria, se propone un nuevo método de cálculo de modularidad que utiliza un método de entrenamiento incremental para obtener la representación del vector de nodo y detectar una comunidad dinámica desde las perspectivas de ajustes gruesos y finos. Un análisis de rendimiento basado en dos conjuntos de datos de redes dinámicas muestra que el método propuesto tiene un mejor desempeño que los algoritmos de referencia en función de la complejidad temporal, la precisión en la detección de comunidades y otros indicadores.