LRIRL：通过基于表示学习的规则归纳改进知识图谱推理

基于摘要分析。本文研究知识图谱中的逻辑规则归纳，提出 Logical Rule Induction based on Representation Learning（LRIRL），旨在缓解基于规则实例搜索的方法面临的搜索空间庞大、效率受限，以及难以发现缺少实例支持的规则等问题。 方法在模式层面挖掘规则，通过规则的向量表示计算规则分数，减少直接遍历大量规则实例的需求；同时将逻辑规则的演绎性质纳入归纳过程，使缺乏规则实例时仍可进行规则挖掘与评估。生成的规则用于知识图谱推理。摘要未说明具体表示形式、评分函数、训练目标或演绎约束的实现方式，尚不能判断其机制与其他表示学习式规则归纳方法的具体差异。 作者报告，在公共数据集上，相较最优基线，LRIRL 的 MRR、HITS@1 和 HITS@10 平均提升分别为 3.43%、1.40% 和 1.80%，规则挖掘时间平均减少约 35%。摘要未给出数据集名称、划分、基线名称及绝对指标，也未明确指标提升百分比的计算口径，因此这些数字不能直接解读为百分点变化；计时范围与硬件条件亦尚未验证。 该工作的主要对象是知识图谱规则归纳，而非 EEG 信号表示或 BCI 解码。现有材料未建立其逻辑规则结构与 EEG/BCI 任务之间的具体对应关系，不能据此推导 BCI 有效性。复现前需核对规则语言与候选空间、无实例规则的评估依据、实验协议、消融及统计信息；代码与复现资源是否公开尚未验证。