Event2Vec：一种学习事件序列可组合表示的几何方法
机器学习
2025-12-02 v2 计算与语言
摘要
对生物与人工系统中神经表示的研究日益揭示出几何与拓扑结构的重要性。受此启发，我们引入了 Event2Vec，一个用于学习离散事件序列表示的新框架。我们的模型利用简单的加性循环结构来学习可组合、可解释的嵌入。我们提供了理论分析，证明在特定训练目标下，我们的模型在欧几里得空间中学习到的表示会收敛于理想的加性结构。这确保了序列的表示是其组成事件的向量之和，我们将此性质称为线性加性假设。为了解决欧几里得几何在处理层次数据时的局限性，我们还引入了该模型在双曲空间中的变体，该空间天然适合以低失真嵌入树状结构。我们提出了实验以验证我们的假设。在 Brown Corpus 上的定量评估获得了 0.0564 的 Silhouette 分数，优于 Word2Vec 基线 (0.0215)，证明了该模型在无监督下捕获结构依赖关系的能力。
引用
@article{arxiv.2509.12188,
title = {Event2Vec: A Geometric Approach to Learning Composable Representations of Event Sequences},
author = {Antonin Sulc},
journal= {arXiv preprint arXiv:2509.12188},
year = {2025}
}
备注
10 pages, 3 figures, Symmetry and Geometry in Neural Representations Workshop at NeuralIPS (NeurReps) 2025