GTrans：通过多状态实体与动态关系空间实现通用知识图谱嵌入

基于摘要分析。本文研究如何将高维、稀疏知识图谱的语义表示为低维连续嵌入，提出通用平移模型 GTrans，通过实体的双状态表示与动态关系空间，刻画实体固有特征及其随关系变化的特征。作者将其定位为可涵盖现有平移模型的统一框架，该涵盖范围及成立条件尚需全文核对。 机制上，传统平移模型用关系向量平移头实体向量，使结果接近尾实体向量。GTrans 将每个实体表示为 eigenstate 与 mimesis 两种状态的组合：前者描述实体固有特征，后者描述受关联关系影响的特征，并提出静态与动态权重策略调节二者的贡献。此外，模型为各关系引入动态关系空间；作者认为，这能提高表示灵活性并减少其他关系空间带来的噪声。摘要未提供具体参数化方式、损失函数及训练和推理流程。 评估涵盖三元组分类与链接预测。作者报告，相较现有替代方法，GTrans 获得显著且一致的性能提升；但摘要未列出数据集、划分、负例构造、对照模型、指标数值或显著性检验，实验协议、消融及统计信息尚未验证。 本文的主要对象是具有实体—关系—实体结构的知识图谱，并非 EEG 时序或 BCI 解码。材料未建立该结构与 EEG 瓶颈之间的具体对应关系，因此不据此提出 BCI 迁移效果或复现实验建议；相关 EEG 工作尚未检索确认。