Bag of Textual Graphs（BoTG）：一种通用的基于图的文本表示模型

基于摘要分析。本文研究信息检索与文本挖掘中的文本表示问题，提出 Bag of Textual Graphs（BoTG），旨在同时兼顾计算效率、任务效果和不同场景的适用性。其主要研究对象是文本，而非神经信号或 BCI。 方法采用基于图的表示方案，编码词项之间的邻近关系与顺序信息，再将文档表示到高效的向量空间中，以提取具有判别性的文本模式。摘要未说明图的构建规则、模式提取方式、向量化过程或具体训练目标，这些实现细节尚未验证。 作者报告，在分类和检索两类任务、多个常用文本集合上，与多种文献方法进行比较，BoTG 能适用于不同任务与集合；相较所比较的方法，效率更高，效果具有竞争力，部分比较中增益较大。摘要未提供数据集名称、划分方式、基线配置、指标或具体数值，实验协议、消融及统计信息尚未验证，因此无法据此量化优势或判断其适用边界。 平台推测（待验证）：若 EEG 已被离散化为事件或状态序列，可假设将事件邻近性与先后关系编码为图，再向量化用于分类；这需要重新定义节点、时间邻域和模式统计，不能直接沿用词项语义。低信噪比、跨被试差异及小数据可能使离散状态和图模式不稳定。一个可证伪的小实验是在固定被试内划分下，对比事件频次表示与加入邻近、顺序信息的图表示，并保持相同分类器，检验新增结构是否带来可重复收益。已有 EEG 相关工作尚未检索确认，该假设不构成 BCI 有效性证据。