HIN2Vec：探索异构信息网络中的元路径以进行表征学习

基于摘要分析。本文研究异构信息网络（HIN）的表征学习，提出 HIN2Vec，通过联合预测多种由元路径（meta-path）定义的关系，学习节点与元路径的潜在向量，以捕获不同类型节点关系所包含的语义。原研究对象是网络数据，并非 EEG 或 BCI。 核心机制是将目标关系集合对应的多个预测任务联合训练，而非仅学习不区分关系类型的节点表征。摘要还说明研究考察了元路径向量正则化、负采样中的节点类型选择，以及随机游走中的环路问题；具体网络结构、损失形式、采样策略与消融结果尚未验证。 作者在 Blogcatalog、Yelp、DBLP 和 U.S. Patents 四个真实 HIN 数据集上学习节点向量，并将其用于多标签节点分类和链接预测。作者报告，相对于包括 DeepWalk、LINE、node2vec、PTE、HINE 和 ESim 在内的对照模型，多标签节点分类的 micro-F1 提升范围为 6.6%–23.8%，链接预测的 MAP 提升范围为 5%–70.8%。摘要未明确这些百分比是相对增幅还是百分点差，也未给出范围与各数据集、基线的对应关系；数据划分、实验协议及统计信息尚未验证，不能据此判断各场景收益。 平台推测（待验证）：若 EEG 研究能够构建具有明确节点类型和关系语义的异构图，可假设其联合关系预测机制有助于整合多类关联信息。可复用的是节点与元路径联合表征思路，需改造的是 EEG 图构建、关系定义和负采样约束；低信噪比、跨被试差异、通道配置变化及小数据均可能使元路径语义不稳定。一个可证伪的小实验是在相同 EEG 数据划分和下游分类器下，对比保留关系类型的 HIN2Vec 表征与忽略类型的图表征，并仅用训练集构图与学习表征，检验类型信息是否带来可重复收益。已有 EEG 相关工作尚未检索确认。