Heterformer：基于 Transformer 的异构文本富集网络深度节点表示学习

基于摘要分析。本文研究异构文本富集网络中的节点表示学习，提出 Heterformer，在统一模型中结合上下文文本编码与异构结构编码，以支持链接预测、节点分类和节点聚类。主要研究对象是包含多种节点与边类型、且节点文本信息有无不一的网络，并非 EEG 或 BCI 信号。 核心机制是在编码节点文本时，将异构结构信息注入每一层 Transformer，同时表征节点与边的类型差异，并支持有文本和无文本节点。其方法重点是文本语义与网络结构的联合建模，而非仅独立提取文本特征。摘要未展开结构信息的注入算子、无文本节点的表示方式、训练目标及采样策略，这些实现细节尚未验证。 作者报告，在来自不同领域的三个大规模数据集上，针对链接预测、节点分类和节点聚类三项任务，Heterformer 均显著且一致地优于有竞争力的基线。摘要未提供数据集名称、划分方式、基线清单、指标与具体数值，实验协议、消融及统计信息尚未验证。材料提供了代码仓库链接，但代码内容、运行依赖及复现条件尚未核查。 平台推测（待验证）：若 EEG 数据能够与文本描述及明确的多类型关系构成异构网络，可假设其逐层融合结构与语义的机制有助于利用辅助信息；这一假设依赖可靠的关系定义与文本关联，不适用于直接将连续 EEG 当作文本节点。可考虑复用异构关系编码思路，但需改造信号编码与节点构建方式。低信噪比、跨被试差异、通道配置变化和小样本可能使关系建模不稳定。最小验证可在固定跨被试划分下，对比仅信号编码、独立融合与逐层结构融合，并通过打乱关系检查增益是否依赖有效结构。上述仅为迁移假设，已有 EEG 相关工作尚未检索确认。