结合传播序列与网络结构的用户表征联合学习

基于摘要分析。本文研究社交媒体中的信息分享行为与社交连边行为如何相互辅助建模，提出在共享潜在空间中联合学习用户表征，同时服务于信息传播预测和社交链接预测；主要研究对象是社交网络用户行为，而非 EEG 或 BCI。 方法分别针对观测到的信息传播序列和社交网络结构定义最大似然估计目标，再将二者纳入统一框架，通过多任务学习算法优化。学习得到的用户表征可同时用于预测传播过程和推断未观测的社交链接。其机制重点是让序列行为证据与图结构证据共同约束同一套表征；具体概率模型、目标权重和优化步骤尚未验证。 作者报告，在两个真实社交媒体数据集上，该方法在传播预测与链接预测任务中均优于所比较的当时先进方法，并报告消融研究支持其鲁棒性及共享空间中行为关联建模的作用。摘要未提供数据集名称、划分协议、指标、增益数值或显著性检验细节；实验协议、消融及统计信息尚未验证，不能据此量化优势。 平台推测（待验证）：若 EEG 数据同时具备时间序列与可解释的通道关系图，可提出假设，以共享表征联合约束时序预测和图关系预测可能有助于表征学习。但这需要将用户节点、离散传播事件和社交边改造为适合 EEG 的通道、时间片及关系定义，不能直接沿用社交网络假设。低信噪比、通道配置变化、小样本及跨被试差异可能使图关系不稳定，造成负迁移。可用同一 EEG 数据划分，对比仅时序目标与加入图关系目标的表征，并以打乱图关系作为对照，检验真实关系是否带来稳定收益。已有相关 EEG 工作尚未检索确认，原领域结果不构成 BCI 有效性证据。