面向知识图谱补全的语义丰富、关系选择性实体表示学习

基于摘要分析。本文研究知识图谱补全中单一、粗粒度实体表示难以表达不同关系语境下语义差异的问题，提出为实体学习多个侧重不同信息方面的表示，并在训练和测试时选择与当前关系最相关的表示。 核心机制是在 GNN 中引入关系控制的门控机制，决定哪些信息以及多少信息可以进入下一次更新，从而形成关系选择性的实体表示。在此基础上，作者结合关系级与实体级负样本生成方法，在对比学习框架下增强这些表示的语义信息。其方法依赖实体—关系图结构及可构造的负样本；具体门控形式、表示选择规则、损失函数和负采样配比尚未验证。 作者报告，在三个知识图谱补全基准上的实验中，该模型优于所比较的全部强基线。摘要未给出基准名称、数据划分、评价指标、具体分数和基线配置，因而无法判断优势幅度或比较不同协议下的结果；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务能够构造具有明确语义的多关系图，关系控制门控可能用于区分不同关系语境中的节点信息，针对单一表示混合异质关系信息的瓶颈。该迁移假设并非原文已验证结论：可借鉴门控与关系条件化表示机制，但需重新定义 EEG 图中的节点、关系及负样本，不能直接把知识图谱实体语义等同于通道或脑区特征。低信噪比、跨被试关系不稳定、通道配置变化及小样本下的伪负样本都可能使其失效。一个可检验的小实验是在固定 EEG 数据划分与图构造下，对照单一节点表示和关系门控表示，并控制参数规模与负采样策略，检查收益是否来自关系选择本身。已有 EEG 相关工作尚未检索确认。