HyperKGQA：使用双曲表示学习进行知识图谱问答

基于摘要分析。该研究面向知识图谱问答（KGQA），探索如何表示知识图谱中的实体、关系及自然语言问题，使用户无需掌握图查询语言或底层图谱模式即可获取实体答案。HyperKGQA 将知识图谱嵌入双曲流形，并学习从预训练句子表示到实体与关系空间的自适应变换。 方法包含图谱表示、问题表示映射与答案重排三个环节：先构建双曲空间中的知识图谱表示，再将自然语言问题的预训练句子表示映射到相应空间，最后通过计算关系集合与问题的相关性分数，对候选答案排序进行后处理。摘要未给出具体双曲模型、变换参数化方式、损失函数、训练流程或候选答案生成机制，这些实现条件尚未验证。 作者报告，在两个数据集上的实验中，该方法针对稀疏图上的多跳问答优于所比较的现有先进模型。摘要未提供数据集名称、划分方式、基线名称、指标或数值，因此无法判断优势幅度及适用边界；实验协议、消融及统计信息尚未验证。 本文主要研究对象是知识图谱与自然语言问答，而非 EEG 或 BCI。摘要未提供神经信号建图方式、监督对应关系或直接迁移证据，因此不能将其结果解释为 BCI 算法改进；已有 EEG 相关工作尚未检索确认。