融合局部结构的文本增强知识图谱表示学习

基于摘要分析。该研究针对基于文本的知识图谱表示学习中结构信息利用不足的问题，提出融合局部结构的文本增强模型 TEGS，将知识图谱中的邻域信息注入文本编码器，以改善实体与关系表示及下游链接预测。 机制上，TEGS 将 k-hop 邻居实体信息纳入文本编码，并通过解耦注意力机制融合相对位置编码与文本语义。作者认为，局部结构能够补充可学习的信息，而解耦注意力有助于减轻语义歧义的影响。摘要未提供邻居选择与采样方式、k 的取值、编码器配置、训练目标及推理流程，这些细节尚未验证。 结果方面，作者报告 TEGS 在 WN18RR、FB15k-237 和 NELL-One 的链接预测任务上达到当时最优表现；相较此前的文本模型，Hit@1 分别提升 2.1%、2.4% 和 2.7%（保留摘要表述，未明确为相对提升还是百分点差值）。具体对照模型、数据划分、评估过滤规则及统计信息尚未验证，因此这些数字不能脱离各自数据集与协议直接比较。 复现时可优先核对局部结构注入与解耦注意力各自的贡献，以及邻域范围对性能和计算成本的影响。作者提供了公开代码地址，但代码内容与可运行性尚未验证。该工作的主要研究对象是知识图谱，而非 EEG 或 BCI；摘要没有提供神经信号实验，相关迁移价值尚未验证，已有 EEG 相关工作尚未检索确认。