通过组合式原子状态转移外推用户偏好

基于摘要分析。该研究针对序列推荐中连续潜在向量混合不同偏好维度、难以泛化至已知元素的新组合的问题，提出 Compositional Atomic State Transitions（CAST），将用户偏好演化建模为离散、可组合语义空间中的状态转移。 机制上，CAST 将用户画像拆分为不同属性维度的语义原子，并通过带类型的原子操作描述时间动态，而非允许潜在表示无约束地变化。未来偏好的外推因此被限制为已知原子的重新组合，形成可解释的语义轨迹，并向下游候选排序提供软转移信号。摘要未说明语义原子的获取方式、操作类型、训练目标或与序列骨干的具体接口。 评估上，作者提出同时采用严格时间顺序留出与组合留出的时间外推协议，旨在将组合泛化与单纯实体识别区分开。作者报告，在该协议下，CAST 能恢复一部分未见偏好配置，并改善多个序列骨干的候选排序表现；摘要未提供数据集、指标、数值或基线细节，实验协议、消融及统计信息尚未验证。 平台推测（待验证）：其潜在迁移对象是具有明确离散因素与状态转移的 EEG 任务，而非一般 EEG 解码。假设任务状态可由已知指令、动作或上下文因素组合表示，可尝试复用原子化状态与受约束转移机制，但需重新设计 EEG 到语义原子的映射及解码接口。低信噪比、跨被试差异和小数据可能使原子识别不稳定，通道变化也可能破坏映射。一个可证伪的小实验是在具有明确组合标签的数据中留出部分组合，并保持时间顺序，对照相同编码器下的连续状态模型，检验未见组合的解码表现；这不构成已有 BCI 效果证据，相关 EEG 工作尚未检索确认。