EHPR：基于四元数的时序知识图谱补全演化层级感知表征学习

基于摘要分析。本文研究时序知识图谱补全，提出 Evolutionary Hierarchy Perception Representation（EHPR），以四元数旋转和演化层级因子联合建模实体、关系随时间的变化，试图弥补将时间戳作为辅助信息直接融入事实时，对关系演化内在联系刻画不足的问题。 机制上，EHPR 首先利用 Hamilton product 对关系和实体进行随时间变化的旋转变换，学习与时间信息交互的时序关系及实体表征。随后，一部分通过时序关系和 Hamilton product 将头实体向尾实体旋转，以表达复杂关系模式；另一部分通过演化层级因子刻画时序头实体与尾实体的模长分布差异，以表达实体间随时间演化的层级信息。其核心区别在于同时利用旋转能力与模长差异，而非仅将时间作为附加特征。 作者报告，EHPR 在六个基准上相较所比较的先进模型取得较好表现，并将核心思想迁移至复数嵌入。作者还报告，采用 Hamilton 算子的 EHPR 相比采用复数 Hermitian 算子的模型具有更强表达能力和更好性能。摘要未提供基准名称、数据划分、评价指标、具体分数或统计信息，不能据此量化收益；损失函数、训练与推理流程、消融设置及复现条件尚未验证。 本文的直接对象是带有实体、关系和时间信息的知识图谱，而非连续 EEG 信号。摘要没有建立图谱补全机制与 EEG 解码瓶颈的具体对应关系，因此不将其结果视为 BCI 有效性证据，也不据此提出直接迁移方案；已有 EEG 相关工作尚未检索确认。