UniSKGRep：社交网络与知识图谱的统一表示学习框架

基于摘要分析。UniSKGRep 面向用户建模，研究如何联合利用社交网络（SN）与知识图谱（KG），以避免单独建模一种图而忽略另一种图的信息及二者关联。其核心贡献是将两类图组织为 Social Knowledge Graph（SKG），通过图内编码、图间关联及重叠节点增强，逐步统一两类表示空间。 机制上，Intra-graph 模型使用两个独立编码器，分别在两个嵌入空间中提取 social-view 与 knowledge-view 信息；Inter-graph 模型借助重叠节点对的语义建立空间间关联。针对重叠节点数量相对较少的情形，框架另设 overlapping node enhancement 模块，以促进两个空间对齐，并通过迭代式联合训练逐渐统一表示。摘要未说明编码器结构、增强操作、具体损失或训练调度，这些实现条件尚未验证。 作者报告，在两个真实世界 SKG 数据集的多种下游任务上，UniSKGRep 相较强基线取得性能改善；但摘要未提供数据集名称、具体任务、划分协议、指标或改善幅度，实验协议、消融及统计信息尚未验证。目前不能据此判断收益来自哪些模块，或其在不同重叠节点比例下的稳定性。 该研究的主要对象是社交网络与知识图谱上的用户建模，并非 EEG 或 BCI。摘要所述对齐机制依赖可识别的跨图重叠节点及其语义联系，材料未提供其与神经信号建模的具体对应关系，因此不据此推断 BCI 有效性；已有 EEG 相关工作尚未检索确认。