SIGRL：用于社会影响力预测的社会学知识引导图表示学习

基于摘要分析。本文研究社交网络中个体用户的社会影响力预测，提出 SIGRL，将社会互动理论引入图表示学习，以减少传统观点动力学模拟的校准负担，并弥补部分图深度学习方法未显式利用社会互动机制的问题。 方法以随机采样的用户自我中心网络为输入，依据 bounded confidence model（BCM，有界信任模型）设计消息传递机制，在传播过程中调整局部节点的影响权重；随后使用 Kolmogorov-Arnold Networks（KANs）更新节点特征。作者还将理论模型重新表述为常微分方程（ODE），作为神经网络训练中的约束。其主要方法特点是同时在传播规则、特征更新和训练约束中引入结构设计，而非仅通过通用图网络拟合交互数据；具体方程、约束形式及各模块之间的耦合方式尚未验证。 作者报告，在 Open Academic Graph（OAG）、Twitter、Weibo 和 Digg 数据集上的实验中，SIGRL 显著优于已有基线。摘要未提供具体指标、数值、数据划分、基线配置及显著性检验细节，因此尚不能判断提升幅度或跨场景稳定性。实验协议、消融及统计信息尚未验证；复现前还需核对影响力标签定义、自我中心网络采样策略、BCM 参数设定和 ODE 约束实现。 本文的研究对象是社会影响力，而非 EEG 或 BCI。社会关系中的影响权重并不直接等同于脑信号通道间依赖，现有材料不足以建立具体迁移对应关系，因此不据此推断其在 BCI 中的有效性；已有 EEG 相关工作尚未检索确认。