基于 Hawkes 过程的表示学习：面向具有无标度与社区结构的时序知识图谱推理

基于摘要分析。本文研究时序知识图谱（TKG）推理，提出 Hawkes process-based Evolutional Representation Learning Network（HERLN），旨在同时建模真实网络的社区结构、无标度（长尾分布）特性及事件影响随时间衰减的演化规律；其主要研究对象是关系事件图谱，而非 EEG 或 BCI 信号。 方法包含三个环节：首先，在输入 TKG 中发现社区，使编码得到的社区内嵌入更加相似；其次，设计基于 Hawkes 过程的关系图卷积网络，处理历史事件影响随时间衰减的现象；最后，通过条件解码缓解长尾分布造成的高频实体偏置。其可核对的方法价值在于，将结构先验、时间动力学与预测偏置分别对应到表示学习流程。具体社区发现算法、时间衰减形式、损失函数及条件解码实现尚未验证。 作者报告，HERLN 在所用实验中相较当时的先进模型取得显著改进，但摘要未提供数据集、划分协议、基线名称、指标或数值，因而无法判断提升幅度、统计显著性及各模块的独立贡献；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务已被明确表示为带时间戳的实体—关系事件图，该方法可能用于检验社区约束和历史事件衰减是否改善事件关系预测；它不能直接替代连续 EEG 的信号编码器。可复用候选是图关系编码与时间衰减机制，需要改造的是神经事件定义、关系构建及任务解码。低信噪比可能使事件抽取不稳定，跨被试与通道差异可能改变社区结构，小数据也可能不足以估计事件动力学。一个小规模可证伪实验是在固定事件图构建规则和时间划分下，对比加入与不加入 Hawkes 时间机制的同一图模型，检验预测增益是否稳定。已有 EEG 相关工作尚未检索确认。