用于事件表示预训练的多结构对比学习

基于摘要分析。本文研究叙事事件链的表示学习，将单个事件编码为低维向量，以支持相似性区分、缺失事件预测等下游任务；这里的“事件”是叙事中的语义事件，并非 EEG 事件相关电位。作者提出异质事件图模型 HeterEvent，并以多结构对比学习框架 MulCL 扩展其训练，旨在捕获序列中不直接相连但语义相关的事件片段，同时缓解数据稀疏与标注不足带来的训练风险。 机制上，HeterEvent 显式表示事件片段之间的关系；MulCL 从两个结构视角学习：SeqCL 面向序列特征，GraCL 通过比较不同受扰动图来增强图训练的鲁棒性。摘要未说明正负样本构造、图扰动策略、损失形式及两种视角的融合方式，模型标记 [W+E] 的具体含义也尚未验证。 结果方面，作者报告 MulCL_[W+E] 优于所比较的先进基线。相较此前的监督模型 HeterEvent_[W+E]，在推理能力类任务上，Accuracy 平均提升 5.3%；在表示能力类任务上，困难相似性任务的 Accuracy 平均提升 2.7%，传递性句子相似性任务的 Spearman’s correlation 提升 4.1%。这些数值仅对应摘要所述任务与对照；其相对增幅或绝对差值口径、数据集、划分、基线配置、消融及统计信息尚未验证，不能改写为百分点或与其他协议直接比较。 平台推测（待验证）：可借鉴的是序列结构与关系图结构的双视角训练，而非将叙事事件直接等同于神经信号。若 EEG 任务已有可定义的时间片段和关系图，可假设 SeqCL 对应时间依赖、GraCL 对应通道或片段关系，但需改造信号编码器、图构建及扰动规则；原方法对语义关系、监督来源和数据规模的依赖仍需核对。低信噪比、跨被试差异、通道变化及小数据可能使扰动破坏任务信息，或使对比学习捕获被试身份。一个可检验的小实验是在固定跨被试划分和同一编码器下，对比序列单视角、图单视角与双视角训练，检验组合是否稳定改善预先指定的任务指标。已有相关 EEG 工作尚未检索确认。