基于复杂网络分析的区块链赋能元宇宙结构身份表示学习

基于摘要分析。本文研究区块链赋能元宇宙中的交易网络，关注如何通过结构身份刻画网络结构及实体间关系，提出 structure-to-vector with random pace（SVRP）表示学习方法，并结合图神经网络（GNNs）开展节点分类与链接预测。 研究对象包括 non-fungible token（NFT）、Ethereum（ETH）和 Bitcoin（BTC）三个相关系统。作者报告，复杂网络分析揭示了幂律度分布、非连通性、异配性、优先连接和非富人俱乐部效应等特征，并据此设计 SVRP，以学习网络的潜在表示与结构身份。摘要明确该方法仅需原始无属性图，但未提供 random pace 的具体机制、目标函数、训练过程及与 GNNs 的集成方式。 作者报告，在三个真实世界数据集的节点分类和链接预测任务中，SVRP 优于所比较的现有方法；其中，所述节点分类评估的最高 Accuracy（Acc）为 99.3%，F1 为 96.7%。摘要未明确这些数值分别对应的数据集、划分及具体对照，因此不能据此判断跨数据集稳定性，也不能将其理解为链接预测结果。实验协议、消融及统计信息尚未验证。 本文的直接贡献属于交易图的结构表示学习，而非神经信号解码。材料未提供 EEG/BCI 实验或明确的迁移机制，不能把交易网络中的性能优势直接外推至脑网络；已有 EEG 相关工作尚未检索确认。复现前需核对图构建规则、节点标签与预测目标、数据划分、SVRP 实现细节及基线配置。