利用轨迹超图迈向职业流动分析的统一表征学习

基于摘要分析。本文研究劳动力市场中的职业流动，提出统一表征学习框架 UniTRep，旨在联合建模微观个体职业轨迹与宏观市场实体之间的流动，弥补单一尺度分析对二者交互关系关注不足的问题。其主要研究对象是职业流动数据，而非神经信号或 BCI。 机制上，UniTRep 将市场实体表示为节点、人才轨迹表示为超边，构建轨迹超图。在个体侧，通过注意力机制将节点信息传播至超边，把市场上下文融入轨迹建模；在市场侧，聚合与节点关联的超边消息，将轨迹的细粒度语义融入市场实体表征。此外，框架设计了两个自监督辅助任务，分别服务于尺度内与跨尺度学习，但摘要未给出任务定义、损失形式及训练细节。 作者报告，在一个真实世界数据集的多项任务中，UniTRep 显著优于其所比较的先进基线。摘要未提供数据集名称、样本规模、任务配置、划分方式、指标数值和基线名单，因此尚不能判断收益幅度及适用边界；实验协议、消融及统计信息尚未验证。 该方法依赖具有明确语义的“实体—轨迹”关联结构。现有材料未建立这种结构与 EEG 通道、时间片段或被试差异之间的具体对应关系，因此不将其改写为 BCI 算法贡献，也不据此提出直接迁移实验；已有 EEG 相关工作尚未检索确认。复现前需取得全文，核对超图构建规则、轨迹顺序的处理方式、辅助任务设计及数据与实现的可获得性。