UniHR：用于统一知识图谱链路预测的层次化表示学习

基于摘要分析。本文研究知识图谱中超出普通三元组的事实表示，包括带辅助键值对的超关系事实、带时间戳的时序事实，以及表达事实之间关系的嵌套事实。针对现有链路预测模型通常面向单一事实类型的问题，作者提出 UniHR，以统一数据表示与层次化图编码处理这些不同结构。 方法包含两个模块：Hierarchical Data Representation（HiDR）将超关系知识图谱、时序知识图谱和嵌套事实知识图谱统一为基于三元组的表示；Hierarchical Structure Learning（HiSL）作为图编码器，结合事实内与事实间消息传递，分别增强单个事实的语义信息和事实之间的结构信息。其核心思路是先统一异构事实的表达，再在两个层次上传递信息，而不是仅为某一种知识图谱设计预测模型。 作者报告，在涵盖三类知识图谱的七个数据集上，UniHR 优于面向单一知识图谱类型设计的基线，并据此认为 HiDR 具有较好的泛化能力、HiSL 有效。摘要未给出数据集名称、数据划分、评价指标、具体分数及基线配置，因此尚不能判断收益幅度，也不能将这里的泛化解释为未经适配的跨数据集迁移。实验协议、消融及统计信息尚未验证。 摘要提供了代码与数据的公开地址，可作为后续复现入口；实现细节、训练目标、计算开销及运行条件仍需查阅全文和仓库确认。本文主要研究对象是知识图谱链路预测，材料没有提供 EEG、BCI 实验或明确的神经信号建模对应关系，因此不据此提出迁移效果判断或复现实验建议。已有 EEG 相关工作尚未检索确认。