面向时序知识图谱推理的查询感知动态表示学习

基于摘要分析。本文研究时序知识图谱（TKG）中根据历史事实预测未来查询的问题，提出 Query-aware Dynamic Representation Learning（QDRL），将查询信息引入实体动态表示学习，并借助 LLM 构建背景知识图谱以增强实体初始表示。主要研究对象是知识图谱中的实体与关系预测，而非 EEG 或 BCI 信号解码。 机制上，QDRL 使用基于 CNN 的查询编码器生成查询表示，以捕捉并发查询之间的结构依赖，再通过基于 Transformer 的时序编码器将查询信息融入实体动态表示。其动机是：查询能够提示哪些历史事实与当前预测更相关，仅从历史事实学习表示可能不足以形成任务特定的表征。此外，作者利用 LLM 补充 TKG 未显式表达的静态背景知识，并通过对背景知识图谱建模获得信息更丰富的实体初始表示。具体图建模方式、训练目标及 LLM 知识构建流程尚未验证。 作者报告，在五个基准数据集的 TKG 推理实验中，相较其所称的最先进基线，实体预测与关系预测任务的 MRR 性能提升分别最高达 5.41% 和 16.96%。摘要未说明这些百分比的具体计算口径，不能解读为 MRR 提升相应百分点；数据集名称、时间划分、基线配置、消融及统计信息尚未验证。摘要称代码与数据已发布，但本次未核查实现及复现条件。 平台推测（待验证）：查询条件化历史信息选择，可能适用于已将任务、事件及其时间关系明确组织为图谱的 EEG 辅助推理场景，而不能直接视为原始 EEG 解码方法。该迁移依赖稳定的实体、关系与查询定义，需改造图谱构建及神经信号特征接口；低信噪比、小数据、跨被试及通道差异可能使图关系不稳定，LLM 补充的知识也未必适用。一个可检验的小实验是在固定时间划分与相同信号特征下，对比查询无关和查询感知编码，并单独控制背景知识增强，检验收益来源。相关 EEG 工作尚未检索确认。