Event2Vec：可加性事件嵌入，使历史上的线性评分精确分解为逐事件项之和 [P]

我一直在开发 Event2Vec，一个用于学习离散事件序列（购买记录、日志、临床编码等）嵌入的小型库，其结构刻意设计得非常简洁：一段历史就是其事件向量的累积求和。h_t = h_{t-1} + e_{x_t}（范数裁剪）p(x_{t+1} | h_t) = softmax(W h_t + b) 训练采用自监督的下一事件预测，加上一个重建项，要求 h_t - h_{t-1} 能恢复出 e_{x_t}。无需标签（关于该机制为何有效的细节在 NeurReps@NeuralIPS Workshop 论文中，核心是一组损失函数，在训练过程中尝试重建并遵循这一算术结构）历史是一个求和，因此在其之上的任何线性模型也是一个求和。例如，流失或风险评分（见 teaser）：score = w·h + b = Σ_i (e_i·w) + b 有人可能会质疑：e1+e2 = e2+e1 = e3，但训练并非如此，因此虽然在（欧几里得）空间中的向量嵌入是可交换的，训练过程并非如此。此外，库中还包含几种替代的旋转/非交换空间（请查看网站）：双曲空间（Möbius 加法），适用于层级结构 κ-立体投影，一个曲率旋钮，从双曲经平坦到球面（Bachmann et al., 2020）球面空间，适用于循环结构 SO(n) 旋转，它们是非交换的，因此顺序会改变终点 Heisenberg 群，终点相同，但有一个有向面积坐标来记录顺序 以上空间的乘积 我最初是为 Advanced Light Source（Berkeley Lab）的故障序列根因分析而开始这个项目的，当时我天真地在事件日志上使用 Word2Vec，需要方向性但又不想使用不透明的序列模型。链接 论文：arXiv 2509.12188 代码（MIT）：github: event2vec_public, pip install event2vector 带交互式图表的文档：event2vec.com scikit-learn 风格 API（fit/transform，gensim 风格的 most_similar），基于 PyTorch 后端，支持 CPU/CUDA/MPS