表征学习探索：文本情绪检测与结构图编码

基于摘要分析。这篇学位论文研究数据规模、标注视角和结构属性如何影响可学习表征，分别围绕文本情绪检测与结构图编码展开；主要贡献包括考察情绪表达与感知之间的标注差异，以及提出两种自我网络（ego-network）子图编码。 文本情绪检测部分在两个大型情绪数据集上研究不同文本表征和模型选择对性能的影响，并比较写作者表达的情绪与读者感知的情绪，以分析不同标注方式的作用。摘要未给出数据集名称、具体表征方法、数据规模变化的实验设置或定量结果，因此尚不能判断标注视角对模型性能及泛化能力的具体影响。 图表征部分提出两种自我网络子图编码，并分析其理论性质。这些编码可作为输入特征，也可在学习过程中使用。作者报告，它们能够增强消息传递和子图神经网络架构的理论表达能力，并在多个大型实验基准上改善常用图模型的预测性能与效率。摘要未披露编码定义、理论成立条件、基准名称、对照模型和收益数值，实验协议、消融及统计信息尚未验证。 原论文的研究对象是文本情绪与图结构表征，而非 EEG 或 BCI。摘要未提供神经信号验证，也不足以确定这些编码与 EEG 建图方式的具体对应关系，不能将其在原领域的结果视为 BCI 有效性证据。已有 EEG 相关工作尚未检索确认。