GRAPHENE：结合图增强深度学习与外部知识赋能的精准生物医学文献检索引擎

基于摘要分析。该研究面向精准医学中的生物医学文献检索，提出 GRAPHENE 框架，将外部知识增强的文档表示、查询扩展与学习排序结合，用于学习查询与生物医学文章之间的检索排序函数。 框架包括三个模块。文档表示模块构建包含生物医学概念节点和文档节点的文档—概念图，以引入外部知识中的全局相关概念，并与 BiLSTM 连接，联合捕捉局部与全局主题。查询模块使用缩写及不同名称扩展查询，再通过 CNN 获得查询向量表示。排序模块通过最小化与查询及候选文章相关的排序损失学习检索函数；摘要未给出损失的具体形式、图信息的计算方式或模块间的训练流程。 作者报告，在 TREC Precision Medicine track 数据上的实验支持该系统的有效性，但摘要没有提供具体年份、数据划分、评价指标、对照基线或数值，因此尚不能判断提升幅度，也不能区分图增强、查询扩展与排序学习各自的贡献。外部知识来源、概念识别与连接方法、实验协议、消融及统计信息尚未验证，代码和复现条件亦待全文核对。 该工作的主要研究对象是文献检索，而非 EEG 表示学习或 BCI 解码；摘要未建立其机制与神经信号处理瓶颈之间的具体对应关系，因此不据此提出 EEG/BCI 迁移效果或复现实验建议。