知识图谱链接预测的图表示学习方法研究

基于摘要分析。该学位论文研究知识图谱（KGs）中缺失链接的预测，构建用于考察知识图谱嵌入模型（KGEMs）性能的研究生态，并进一步研究超关系知识图谱中的归纳式链接预测。主要贡献涵盖实验可复现性、模型架构与组件配置的作用，以及超关系信息对未见实体链接预测的价值。 研究动机是：KGEM 的性能未必仅由模型架构决定，还可能取决于多个组件的组合与配置。摘要指出，适当配置的基线模型也可能取得有竞争力的结果。围绕这一问题，作者开展可复现性研究，并比较不同组件组合，以考察已报告的性能增益能否单独归因于架构。摘要未提供组件清单、具体对照或量化结果，因此不能据此认定某类架构无效，或既有结果存在实验问题。 在任务设置上，论文先分析三元组知识图谱上的传导式链接预测，再转向超关系知识图谱上的归纳式链接预测。前者不能直接对未见实体进行推断，后者关注涉及未见实体的链接预测。作者报告，超关系信息能够改善半归纳式和完全归纳式链接预测，但摘要未说明两类设置的具体定义、数据划分、对照基线及提升幅度。 作者还报告了知识图谱表示学习在生物医学应用中的有效性，但未说明具体应用对象、数据或指标，不能将其解释为 EEG 或 BCI 解码效果。全文、数据集、评价指标、超参数搜索、消融及统计信息尚未验证；摘要也未提供可核对的实现与复现条件。当前材料不足以建立具体的 EEG/BCI 方法迁移路径，不提出迁移实验建议。