利用图结构跨域表示进行多域推荐

基于摘要分析。该研究面向多域推荐中的用户交互序列建模，提出 MAGRec（Multi-domAin Graph-based Recommender），利用图神经网络联合表达域内与域间的时序交互，旨在捕获不同推荐域之间的关联并缓解负迁移；其主要研究对象不是 EEG 或 BCI。 机制上，作者认为，将各域作为独立输入来源会限制对域间相互作用的建模。MAGRec 将时序上的域内、域间交互作为上下文，同时学习两类图序列表示：域引导表示用于刻画近期用户兴趣，通用表示用于刻画长期兴趣。摘要未说明具体建图规则、时间信息编码方式、两类表示的融合机制或训练损失，这些实现细节尚未验证。 作者报告，在公开数据集的不同场景下，MAGRec 均优于所比较的当时先进方法，并称提供了消融研究。摘要未给出数据集名称、划分方式、评价指标、数值收益和具体对照方法，因此尚不能判断优势的幅度及适用条件；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：可迁移假设在于，联合建模域内与域间关系，并区分局部与长期信息，可能为跨会话 EEG 表示学习提供参考。但原方法依赖用户交互序列及其域归属，推荐中的兴趣结构不能直接等同于 EEG 的任务信息与会话差异。若开展验证，需重定义信号片段节点、时间边和会话间关联，并改造推荐目标为 EEG 任务目标；低信噪比、跨被试差异、通道不一致及小样本可能使图连接传播噪声、加剧负迁移。一个可证伪的小实验是在固定跨会话划分与同一 EEG 编码器下，对比无图模型、仅会话内图模型和加入会话间边及双表示的模型，检验增益是否确实来自跨域关联。已有 EEG 相关工作尚未检索确认。