通过事件嵌入进行异构信息网络表示学习

基于摘要分析。本文研究异构信息网络（HINs）的表示学习，针对既有网络表示学习方法忽视关系属性对对象关联程度影响的问题，提出 Event2vec，将关系的数量与属性共同纳入低维表示学习。 核心机制是用事件（即完整语义单元）表示多个对象之间的关系，并定义事件驱动的一阶与二阶邻近性以衡量对象关联程度。Event2vec 利用事件嵌入辅助学习对象嵌入；作者称从理论上证明了这些邻近性如何在嵌入空间中得到保留。摘要未给出邻近性的数学定义、具体优化目标及训练流程，尚不能判断其与常见图嵌入目标的具体差异。 作者报告，在四个真实世界数据集上的链接预测与节点分类任务中，Event2vec 相较所比较的先进算法具有优势。摘要未提供数据集名称、划分方式、对照算法、评价指标及具体数值，实验协议、消融及统计信息尚未验证，因此无法据此判断收益大小或跨场景稳定性。 平台推测（待验证）：若 EEG 研究数据能够自然构成包含多类对象与多对象语义事件的异构网络，则可检验事件级建模是否比仅使用成对关系更有效；该假设不等于对原始 EEG 时间序列直接有效。可复用的是事件—对象联合表示与邻近性保持思路，需改造的是事件定义、关系属性及信号到图的构建方式。低信噪比、跨被试差异、通道变化和小数据可能导致事件定义不稳定或图结构过稀。一个小规模检验是在固定数据划分和下游分类器的条件下，对比事件级表示与成对关系表示，并核对图构建是否使用了评估集信息。已有 EEG 相关工作尚未检索确认。