基于查询引导时序表示学习的时序知识图谱链接预测

基于摘要分析。本文研究时序知识图谱（TKG）链接预测，即根据带时间戳的不完整事实查询预测缺失链接，提出 individual-query-guided learning（IndiQ），以单独查询而非合并后的平均查询引导实体表示学习。 核心机制：作者认为，不同查询具有不同语义，将其合并为平均查询可能模糊查询含义，进而干扰实体嵌入学习。IndiQ 将实体嵌入学习表述为实体相关事实的加权和，并依据全概率定理，使用各个查询分别计算权重，以识别重要事实，最终利用所学实体嵌入预测未来链接。摘要未给出具体权重公式、查询处理流程、损失函数或训练与推理细节，尚不能判断其计算开销及实现条件。 结果与证据边界：作者报告实验性能有所提升，并通过可视化支持 IndiQ 的有效性；摘要未列出数据集、时间划分、对照方法、评价指标或数值，因此无法判断提升幅度及适用范围。实验协议、消融及统计信息尚未验证，尤其需核对性能差异是否能够归因于单独查询引导机制。 与 BCI 的关系：原论文的研究对象是带时间戳的关系事实，而非 EEG 或其他神经信号。摘要没有提供从 TKG 查询与事实结构到 BCI 数据的具体对应关系，因此目前不将其视为已验证的 BCI 方法，也不据此提出 EEG 复现实验。已有 EEG 相关工作尚未检索确认。