Event2Vec
一种序列事件嵌入方法，通过将历史表示为事件向量的滚动求和（加性嵌入），使任何线性评分可精确分解为单个事件的贡献，支持双曲空间、球面空间等多种几何空间
时间轴 (近 90 天)
Event2Vec 将一段历史 h_t 定义为事件向量的滚动求和：h_t = h_{t-1} + e_{x_t}，并在每一步做范数裁剪。
Event2Vec 通过 softmax(W h_t + b) 完成下一个事件的预测，其历史表示是加性的。
Event2Vec 训练是自监督的，无需人工标签，目标为下一事件预测，并加入重建项要求 h_t - h_{t-1} 能还原 e_{x_t}。
由于历史是求和，任何建立在其上的线性评分模型可以精确分解为每个事件的独立贡献：score = w·h + b = Σ_i (e_i·w) + b。
Event2Vec 的理论细节（包括多个损失函数如何协同保证算术性质在训练中成立）写在 NeurReps@NeurIPS Workshop 论文中。
Event2Vec 的论文编号为 arXiv 2509.12188。
Event2Vec 代码以 MIT 协议开源，可通过 pip install event2vector 安装，使用 PyTorch 后端并支持 CPU/CUDA/MPS。
Event2Vec 提供 scikit-learn 风格的 fit/transform API 和兼容 gensim 风格的 most_similar 接口。
Event2Vec 库提供了若干非交换或几何化的替代空间：双曲空间（Möbius addition）、κ-stereographic 模型、球面空间（SO(n) 旋转）、海森堡群。
Event2Vec 的起点是 Advanced Light Source（伯克利实验室）的故障序列根因分析，作者原本在事件日志上使用 Word2Vec。
还有 2 条时间轴事件
全部知识事实 (12)
Event2Vec 将一段历史 h_t 定义为事件向量的滚动求和：h_t = h_{t-1} + e_{x_t}，并在每一步做范数裁剪。
50%待验证Event2Vec 通过 softmax(W h_t + b) 完成下一个事件的预测，其历史表示是加性的。
50%待验证Event2Vec 训练是自监督的，无需人工标签，目标为下一事件预测，并加入重建项要求 h_t - h_{t-1} 能还原 e_{x_t}。
50%待验证由于历史是求和，任何建立在其上的线性评分模型可以精确分解为每个事件的独立贡献：score = w·h + b = Σ_i (e_i·w) + b。
50%待验证Event2Vec 的理论细节（包括多个损失函数如何协同保证算术性质在训练中成立）写在 NeurReps@NeurIPS Workshop 论文中。
50%待验证Event2Vec 的论文编号为 arXiv 2509.12188。
50%待验证Event2Vec 代码以 MIT 协议开源，可通过 pip install event2vector 安装，使用 PyTorch 后端并支持 CPU/CUDA/MPS。
50%待验证Event2Vec 提供 scikit-learn 风格的 fit/transform API 和兼容 gensim 风格的 most_similar 接口。
50%待验证Event2Vec 库提供了若干非交换或几何化的替代空间：双曲空间（Möbius addition）、κ-stereographic 模型、球面空间（SO(n) 旋转）、海森堡群。
50%待验证Event2Vec 的起点是 Advanced Light Source（伯克利实验室）的故障序列根因分析，作者原本在事件日志上使用 Word2Vec。
50%待验证范数裁剪（norm clipping）在 Event2Vec 中每当历史向量更新后，若其 L2 范数超过阈值 τ，则按 h_t ← h_t · τ / max(τ, ‖h_t‖) 缩回球面。
50%待验证Event2Vec 并不试图取代大型序列模型，而是在可解释性和序列建模之间划出边界，适合需要在线性评分下做事件级归因的团队。
50%