hier2vec：面向社交网络层级结构的可解释多粒度表示学习

基于摘要分析。hier2vec 研究社交网络中的节点表示学习，针对既有方法更关注相似节点在向量空间中的接近程度、较少考虑层级邻近性的问题，提出将可解释层级结构语义编码到节点向量中的框架。 其核心路径是在原始网络中衡量节点间距离与节点重要程度，再将节点映射到树空间，以树结构显式呈现网络中的层级关系；随后通过优化目标函数，将局部结构邻近性与可解释层级知识共同编码到向量空间。摘要未提供距离和重要程度的定义、树构建规则、目标函数形式或优化过程，因此尚不能判断层级约束如何影响最终表示，以及多粒度信息如何组织。 作者报告，在真实数据集上的节点分类、链接预测和可视化任务中，该方法优于所比较的现有先进方法，并通过案例研究进一步分析模型行为。摘要未列明数据集、划分、对照方法、指标或具体数值，实验协议、消融及统计信息尚未验证；可解释性证据的具体形式也需查阅正文。 平台推测（待验证）：若 EEG 被表示为具有稳定层级关系的通道或脑区连接图，其“局部邻近性与树层级联合编码”机制可能用于研究连接图表示，但原论文对象是社交网络，并非 EEG/BCI。该假设依赖连接估计与层级结构的可靠性，需要改造图构建及层级生成模块；低信噪比、通道变化和跨被试差异可能使树结构不稳定。一个可证伪的小实验是在固定 EEG 图构建、数据划分和下游分类器的条件下，对照有无层级约束的表示，检查任务指标及扰动后的稳定性是否改善。已有 EEG 相关工作尚未检索确认。