用于时序知识图谱补全的粒度表征学习

基于摘要分析。该研究面向时序知识图谱（TKG）补全，即在带时间信息的实体关系事实中进行链接预测，提出 Learning Granularity Representation（LGRe），旨在利用不同时间粒度所蕴含的历史模式，改善时间相关表征，而非直接处理 EEG 或 BCI 信号。 LGRe 包含 Granularity Representation Learning（GRL）与 Adaptive Granularity Balancing（AGB）两个组件。GRL 使用时间特定的多层卷积神经网络，捕捉不同粒度下实体与关系的交互；AGB 根据时间语义为这些嵌入生成自适应权重。研究还引入时间损失，以表达相邻时间戳之间相似的语义。摘要未给出具体时间粒度划分、网络配置、损失公式或权重生成方式，相关实现尚待正文核对。 作者报告，LGRe 在四个事件基准上的实验支持其学习时间相关表征的有效性；摘要未列出基准名称、数据划分、对照方法或具体指标，因此不能据此量化提升。来源提供了代码仓库，但代码内容、实验协议、消融及统计信息尚未验证。 平台推测（待验证）：若 EEG 任务已被明确构造成带时间戳的实体—关系事件图，多粒度加权可能为事件关系建模提供可检验的思路；这一假设依赖可靠的事件结构与链接监督，不能直接等同于连续 EEG 的多尺度时频建模。可复用部分是粒度加权与时间约束，需改造的是信号到事件图的表示及粒度语义。低信噪比可能导致事件抽取不稳，跨被试和通道差异也可能破坏实体关系的一致性，小数据则可能不足以学习稳定权重。一个小规模检验是在固定事件图构建与数据划分后，对比单粒度、固定多粒度与自适应加权的链接预测表现。已有 EEG 相关工作尚未检索确认。