知识图谱与预训练语言模型增强的对话推荐系统表示学习

基于摘要分析。本文研究对话推荐系统（CRS）在对话上下文与背景知识有限时，如何更充分地利用实体信息。作者提出 Knowledge-Enhanced Entity Representation Learning（KERL），结合知识图谱与预训练语言模型，将实体自身的文本语义和实体间关系共同用于推荐及回复生成；研究对象并非 EEG 或 BCI。 核心机制是使用预训练语言模型编码实体文本描述，再借助知识图谱强化实体表示，并以位置编码捕捉实体在对话中的时序信息。推荐组件融合实体表示与上下文表示，回复生成组件则利用增强后的实体表示，在回复中提供与实体相关的信息。相对于摘要所述主要依赖图谱关系的既有方法，其主要思路是补充实体内部的描述性语义，而非仅建模实体间联系。 作者还构建了 Wiki Movie Knowledge Graph（WikiMKG），其中知识图谱实体与文本描述对齐。作者报告 KERL 在推荐和回复生成任务上取得最先进结果，但摘要未提供具体评估数据集、划分、对照基线、指标或数值，因此无法核对提升幅度及适用范围。预训练语言模型的选择、图谱融合方式、训练目标、实验协议、消融及统计信息尚未验证。 该方法明确依赖可对齐的实体、文本描述与图谱关系。现有材料未建立这些结构与 EEG 信号表示之间的具体对应关系，不能将其结果解释为神经信号解码或 BCI 性能提升的证据；已有 EEG 相关工作尚未检索确认。