RotatE：通过复数空间中的关系旋转进行知识图谱嵌入

基于摘要分析。本文研究知识图谱中实体与关系的表示学习，用于预测缺失链接；核心贡献是提出 RotatE，以复数向量空间中的旋转表示关系，并提出自对抗负采样技术用于模型训练。 机制上，RotatE 将每种关系定义为从源实体到目标实体的旋转。作者指出，这种表示能够建模并推断对称性／反对称性、逆关系和关系组合等模式，将关系的结构规律与嵌入空间中的变换联系起来。摘要未提供具体评分函数、损失形式、旋转约束或负样本加权公式，因此这些实现细节尚未验证。 结果方面，作者报告，在多个基准知识图谱的链路预测实验中，RotatE 具有可扩展性，能够建模和推断多种关系模式，并显著优于当时已有的先进模型。摘要未列出数据集名称、数据划分、评估指标、具体分数及对照模型，因而无法量化优势或比较不同协议下的表现；实验协议、消融及统计信息尚未验证。 本文的主要研究对象是知识图谱链路预测，而非 EEG 信号建模或 BCI 解码。其方法依赖实体、关系与链接构成的图结构，不能将原领域结果直接视为 EEG／BCI 有效性证据。材料未提供与神经信号任务的具体对应关系，已有 EEG 相关工作尚未检索确认，因此暂不提出迁移实验建议。复现前需取得全文，核对数据处理、负采样规则、训练配置和评估协议；代码及运行条件尚未验证。