ASKRL：面向开放世界知识图谱的空间对齐知识表示学习框架

基于摘要分析。本文研究开放世界知识图谱中带有文本描述的零样本实体表示问题，提出 ASKRL，通过对齐结构嵌入空间与文本语义空间，使现有闭世界知识表示学习（KRL）模型能够处理新增实体。其主要研究对象是知识图谱中的实体与关系，并非 EEG 或 BCI 信号。 机制上，ASKRL 先使用现成 KRL 模型生成实体和关系的结构嵌入，再用基于 Transformer 的编码器获得已有实体与关系的上下文化语义表示。为将知识图谱的结构知识引入语义表示，框架从角度和长度两类几何属性进行空间对齐，并进一步对齐两个空间中评分函数的输出分布。训练采用三阶段优化策略，但各阶段的目标、参数更新方式及损失形式在摘要中未展开；推理时，零样本实体的表示可直接由 Transformer 编码器生成。 相较于主要依赖已有实体连接的闭世界 KRL 方法，该框架的核心贡献是利用语义表示与结构空间之间的对齐，为新实体提供进入既有知识图谱表示体系的路径。作者将其描述为可插拔框架，并报告在开放世界数据集上优于强基线，能够高效建模零样本实体；摘要未提供数据集名称、划分方式、具体指标、数值或效率测量条件，因此无法量化优势或比较不同协议下的表现。 复现时需核对三阶段训练流程、几何与分布对齐的具体定义、所用 KRL 基座及文本编码器，以及零样本实体划分和文本描述的使用条件。实验协议、消融及统计信息尚未验证。材料未提供与 EEG/BCI 的直接机制对应或验证结果，不据此推断神经信号任务收益。