# Series I / Paper 02 # 多符號非均勻權重與高階語義耦合：從身份解析到語義超圖閉合 ## Non-Uniform Multi-Symbol Weights and Higher-Order Semantic Coupling: From Identity Resolution to Semantic Hypergraph Closure **作者：Neo.K（許筌崴）** **機構：EveMissLab** **系列：公共顯著性場與實體可辨識理論（Series I）** **版本：v0.1** **日期：2026-08-14** --- ## 摘要 同一公共實體往往同時由真名、筆名、公司名、品牌名、作品名、網域、帳號、縮寫與跨語言名稱等多個符號所指涉。傳統直覺常以「這些符號都指向同一個實體」為由，默認它們在搜尋、識別與公共認知中近似等價；但實際資訊系統中，不同符號具有不同的頻率、歧義度、來源分布、檢索強度與身份指向能力。因此，即使在同一實體內部，也通常存在 $$ W(s_i)\neq W(s_j). $$ 本文提出「多符號非均勻語義耦合框架」（Non-Uniform Multi-Symbol Semantic Coupling Framework, NUMSC），作為公共顯著性狀態空間（PPSS）的第二層形式化。本文區分符號內在辨識力、查詢條件權重、來源獨立性與高階聯合證據，並定義一族 $k$ 階語義耦合張量 $$ \mathcal{T}^{(k)}. $$ 本文特別證明：高階身份閉合一般不能由所有 pairwise 相似度或關係分數的簡單總和唯一決定。透過 parity 型構造，可建立兩個具有完全相同一階與二階邊際關係、但三階聯合結構不同的系統。因此，普通圖上的兩兩邊不足以普遍表示不可約的高階語義依賴；超圖或高階張量是自然的擴展表示。 本文進一步提出符號有效數、身份閉合分數、高階增益、來源獨立性修正與觀察者依賴權重，並將 alias alignment、entity linking、collective entity linking、multi-view entity alignment、multi-relational tensor learning 與 hypergraph alignment 放入同一理論邊界。核心結論是：公共身份不是名稱字典，而是一個由非均勻符號、來源與高階關係共同形成的查詢依賴語義場。 **關鍵詞：** 多符號身份、別名解析、實體對齊、語義耦合、張量、超圖、身份閉合、搜尋權重、entity linking、entity alignment --- ## 1. 問題設定 Series I / Paper 01 將公共實體 $E$ 的狀態表示為 $$ \mathbf{x}_E^{\Omega} = (I,S,V,D,R,M,H,A,\rho), $$ 其中 $R$ 表示身份可辨識度， $M$ 表示機器可辨識度。 然而，若要真正計算 $R$ 與 $M$，必須先回答更底層的問題： > 一個實體具有多個名稱、品牌、網域與作品符號時，資訊系統如何判斷這些符號彼此相關，並進一步閉合成同一身份或穩定關係網？ 令實體 $E$ 的公開符號族為 $$ \Sigma_E = \{s_1,s_2,\ldots,s_n\}. $$ 例如 $s_i$ 可以是： - 法定姓名； - 筆名或網名； - 公司名稱； - 研究品牌； - 網域； - 作品名稱； - 社群帳號； - 跨語言轉寫； - 縮寫； - 固定 metadata identifier。 最簡化的模型會寫成 $$ s_1\sim s_2\sim\cdots\sim s_n\sim E. $$ 但此式只描述指涉關係，不描述資訊空間中的實際辨識難度。 本文主張： $$ \boxed{ \text{referential equivalence} \neq \text{retrieval equivalence} \neq \text{recognition equivalence}. } $$ --- ## 2. 多符號權重不是均勻的 ### 定義 1：觀察條件 沿用 Paper 01，令 $$ \Omega=(o,p,q,t), $$ 其中 $o$ 為觀察者， $p$ 為平台或資訊系統， $q$ 為查詢／任務， $t$ 為時間。 ### 定義 2：條件符號權重 對符號 $s_i$，定義 $$ w_i^{\Omega} = W(s_i\mid o,p,q,t), $$ 且 $$ w_i^{\Omega}\ge 0. $$ 它表示在觀察條件 $\Omega$ 下，符號 $s_i$ 對實體辨識與公共顯著性的有效貢獻。 一般情況下： $$ \boxed{ w_i^{\Omega}\neq w_j^{\Omega}. } $$ 即使 $s_i$ 與 $s_j$ 都正確指向同一實體。 --- ## 3. 符號權重的分解 一個可操作的近似是： $$ w_i^{\Omega} = f \left( r_i, u_i, c_i, a_i, d_i, x_i, \Omega \right), $$ 其中： - $r_i$：retrievability，可召回性； - $u_i$：uniqueness，唯一性； - $c_i$：contextual coherence，語境一致性； - $a_i$：attribution strength，歸因強度； - $d_i$：source diversity，來源多樣性； - $x_i$：ambiguity penalty，歧義懲罰。 可使用乘法型近似： $$ w_i^{\Omega} = r_i^{\alpha} u_i^{\beta} c_i^{\gamma} a_i^{\delta} d_i^{\eta} (1-x_i)^{\zeta}, $$ 其中所有指標先規範化到 $[0,1]$，指數控制不同觀察環境下的權重敏感度。 此式不是本文唯一允許的估計器。其目的只是指出： $$ \text{符號出現次數} $$ 並不等於 $$ \text{符號身份權重}. $$ 高頻但高度歧義的短名稱，可能低於低頻但高度唯一的公司統編、固定網域或完整法定名稱。 --- ## 4. 正規化權重與有效符號數 令 $$ \alpha_i^{\Omega} = \frac{w_i^{\Omega}} {\sum_{j=1}^{n}w_j^{\Omega}}, $$ 則： $$ \sum_{i=1}^{n}\alpha_i^{\Omega}=1. $$ 若所有符號完全均勻： $$ \alpha_i=\frac{1}{n}. $$ 但實際系統通常呈現長尾分布。 為描述「真正有效的符號數」，定義符號熵： $$ H_{\Sigma}^{\Omega} = -\sum_{i=1}^{n} \alpha_i^{\Omega} \log\alpha_i^{\Omega}. $$ 再定義有效符號數： $$ N_{\mathrm{eff}}^{\Omega} = \exp \left( H_{\Sigma}^{\Omega} \right). $$ 因此： $$ 1\le N_{\mathrm{eff}}^{\Omega}\le n. $$ 如果一個實體形式上有十個名稱，但其中九個幾乎不具有檢索或辨識能力，則： $$ N_{\mathrm{eff}}\ll 10. $$ 這使「符號數量」與「有效身份入口數量」得到形式分離。 --- ## 5. 二階語義耦合矩陣 對任意兩個符號 $s_i,s_j$，定義： $$ C_{ij}^{\Omega} = \operatorname{Couple} (s_i,s_j\mid\Omega), $$ 其中： $$ C_{ij}^{\Omega}\in[0,1]. $$ 矩陣 $$ \mathbf{C}^{\Omega} = [C_{ij}^{\Omega}] $$ 可以表示 pairwise 關係，例如： - 同一文件共同出現； - 網頁互相連結； - metadata 明示作者／機構； - 語義上下文相似； - 同一知識圖譜中的關係； - 搜尋結果中共同召回； - AI 對兩符號 identity match 的信心。 若只使用二階模型，一個自然的身份分數可能寫為 $$ R_{\mathrm{pair}} = \sum_{i 某些符號兩兩看都不夠強，但三個、四個或更多符號聯合出現時，身份可能突然變得高度唯一。 令： $$ s_1=\text{姓名}, $$ $$ s_2=\text{品牌}, $$ $$ s_3=\text{公司}, $$ $$ s_4=\text{固定網域}. $$ 可能存在： $$ C_{12}\approx 0.4, \qquad C_{13}\approx 0.3, \qquad C_{24}\approx 0.5, $$ 但聯合查詢： $$ (s_1,s_2,s_3,s_4) $$ 幾乎只有一個實體可以同時滿足。 因此： $$ \operatorname{Couple} (s_1,s_2,s_3,s_4) $$ 不能預設等於六個 pairwise coupling 的平均或總和。 --- ## 7. 高階語義耦合張量 ### 定義 3： $k$ 階語義耦合 對 $k\ge2$，定義 $$ \mathcal{T}^{(k),\Omega}_{i_1i_2\cdots i_k} = \operatorname{Couple}_k \left( s_{i_1}, s_{i_2}, \ldots, s_{i_k} \mid \Omega \right). $$ 其中： $$ \mathcal{T}^{(k),\Omega}_{i_1i_2\cdots i_k} \in[0,1]. $$ 二階情況退化為： $$ \mathcal{T}^{(2),\Omega} = \mathbf{C}^{\Omega}. $$ 但： $$ \mathcal{T}^{(3)} $$ 與 $$ \mathcal{T}^{(4)} $$ 可以攜帶 pairwise matrix 無法唯一恢復的資訊。 --- ## 8. Pairwise 不充分命題 ### 命題 1：二階邊際不足以唯一決定高階聯合結構 存在兩個三變量系統 $P$ 與 $Q$，使所有一階與二階邊際分布完全相同，但三階聯合分布不同。 ### 證明 令： $$ X,Y $$ 為獨立均勻 Bernoulli 變量。 在系統 $P$ 中定義： $$ Z=X\oplus Y, $$ 其中 $\oplus$ 為 XOR。 則 $X,Y,Z$ 各自均勻，且任意兩者 pairwise independent。因此： $$ P(X,Y)=P(X)P(Y), $$ $$ P(X,Z)=P(X)P(Z), $$ $$ P(Y,Z)=P(Y)P(Z). $$ 再構造系統 $Q$，令： $$ X,Y,Z $$ 三者完全獨立且均勻。 則 $P$ 與 $Q$ 具有相同的一階邊際與全部二階邊際。 然而在 $P$ 中： $$ X\oplus Y\oplus Z=0 $$ 以機率 $1$ 成立；在 $Q$ 中： $$ P(X\oplus Y\oplus Z=0)=\frac{1}{2}. $$ 所以兩系統的三階聯合結構不同。 因此，由所有 pairwise 關係不能一般性地唯一恢復高階聯合結構。 $$ \boxed{\square} $$ --- ## 9. 語義意義 上述證明不是說公共身份真的服從 XOR。 它證明一個更一般的結構性限制： $$ \boxed{ \text{all pairwise information} \not\Rightarrow \text{all higher-order information}. } $$ 因此，如果多符號身份閉合依賴群組條件、共同上下文、來源組合或「只有這組符號一起出現才唯一」的條件，普通 adjacency matrix 可能不夠。 這正是超圖表示的自然動機。 --- ## 10. 語義超圖 定義語義超圖： $$ \mathcal{H}_E = (V,\mathcal{E},\omega), $$ 其中： $$ V = \Sigma_E \cup \mathcal{D} \cup \mathcal{R}, $$ $\Sigma_E$ 為符號節點， $\mathcal{D}$ 為文件／來源節點， $\mathcal{R}$ 為候選實體或關係節點。 每一條超邊： $$ e\in\mathcal{E} $$ 可同時連接兩個以上節點： $$ e = \{ s_{i_1}, s_{i_2}, \ldots, s_{i_k}, d_j, E \}. $$ 例如，一個作者頁可能同時明示： $$ \{ \text{真名}, \text{筆名}, \text{機構}, \text{作品}, \text{網域} \}. $$ 此聯合陳述可以作為單一高階證據，而不必先拆成多條相互獨立的 pairwise 邊。 --- ## 11. 高階增益 令 $S\subseteq\Sigma_E$，且 $|S|=k$。 定義高階耦合值： $$ T(S) = \operatorname{Couple}_k(S). $$ 再令 pairwise 基準為： $$ B_2(S) = \frac{2}{k(k-1)} \sum_{\{i,j\}\subseteq S} C_{ij}. $$ 定義高階增益： $$ G_k(S) = T(S)-B_2(S). $$ 若： $$ G_k(S)>0, $$ 表示聯合符號組的辨識能力高於 pairwise 平均所暗示的程度。 若： $$ G_k(S)\gg0, $$ 則此符號組具有強烈的「閉合增益」。 這類現象可以稱為： $$ \boxed{ \text{semantic closure gain}. } $$ --- ## 12. 身份閉合分數 令候選實體集合為： $$ \mathcal{E}^{*} = \{E_1,E_2,\ldots,E_m\}. $$ 觀察到證據集合： $$ \mathcal{O} = \{ s_{i_1}, \ldots, s_{i_k}, d_{j_1}, \ldots \}. $$ 定義身份閉合分數： $$ R(E\mid\mathcal{O},\Omega) = P \left( E \mid \mathcal{O}, \Omega \right). $$ 若： $$ R(E^{*}\mid\mathcal{O},\Omega) \ge\tau $$ 且： $$ R(E^{*}\mid\mathcal{O},\Omega) - \max_{E\neq E^{*}} R(E\mid\mathcal{O},\Omega) \ge\Delta, $$ 則稱觀察條件 $\Omega$ 下發生身份閉合。 其中： - $\tau$ 為最低可信閾值； - $\Delta$ 為候選間隔閾值。 這比「第一名候選就是答案」更嚴格，因為它要求絕對信心與相對優勢同時成立。 --- ## 13. 非均勻權重的必要性命題 ### 命題 2 若兩符號具有不同歧義度或不同條件召回率，則任何強制令其權重相等的估計器，一般不能保持最佳身份判別能力。 ### 證明概念 設： $$ s_a $$ 為高度唯一符號，在候選實體 $E_1$ 上有： $$ P(s_a\mid E_1)=1, $$ 對其他候選： $$ P(s_a\mid E_j)=\epsilon, \qquad j\neq1. $$ 另有高歧義符號 $s_b$，對所有候選皆近似： $$ P(s_b\mid E_j)\approx c. $$ 則 $s_a$ 的 likelihood ratio 遠高於 $s_b$。 若估計器強迫： $$ w_a=w_b, $$ 便無法反映兩者對 posterior identity discrimination 的不同資訊量。 因此合理權重必須允許： $$ w_a>w_b. $$ $$ \boxed{\square} $$ --- ## 14. 來源不是獨立票數 多個頁面支持同一身份，不代表有同樣多個獨立證據。 若十個網站全部複製自同一份資料： $$ d_1,d_2,\ldots,d_{10}, $$ 直接計數會產生虛假的證據膨脹。 令來源圖中的相關性為： $$ \kappa_{ab} \in[0,1]. $$ $\kappa_{ab}=1$ 表示兩來源近乎完全依賴， $\kappa_{ab}=0$ 表示在指定模型中近似獨立。 可定義來源有效數： $$ N_{\mathrm{src,eff}} = \frac{ \left(\sum_j v_j\right)^2 }{ \sum_j v_j^2 + 2\sum_{a \text{name form alone} $$ 作為身份判別的一般方向。 NUMSC 再加入兩個層次： 第一，不只處理一個名稱與一個 alias，而處理： $$ |\Sigma_E|\ge2. $$ 第二，不只考慮 pairwise alias alignment，而允許： $$ \mathcal{T}^{(k)}, \qquad k>2. $$ --- ## 18. 與 Collective Entity Linking 的關係 Collective Entity Linking 已指出，逐一獨立處理 mention 可能因局部資訊稀疏而失敗，因此需要全局 coherence。 這與本文具有直接同構： $$ \text{local evidence} \neq \text{global closure}. $$ 但 collective EL 常在同一文件或候選實體圖上求整體一致性。 NUMSC 則把 globality 擴展至： $$ \text{跨文件} + \text{跨網站} + \text{跨符號類型} + \text{跨來源} + \text{跨觀察者}. $$ --- ## 19. 與 Multi-View Entity Alignment 的關係 Multi-view entity alignment 已將名稱、關係與屬性等不同 view 統一用於跨 knowledge graph 實體對齊。 此結果直接支持本文的非均勻多來源觀點： $$ \text{identity evidence} \neq \text{single-view evidence}. $$ 然而，NUMSC 更關心的是： $$ \text{不同 view 的公共權重} $$ 以及： $$ \text{不同 view 組合是否產生不可約高階增益}. $$ 因此，其目標不只是提高 Hits@1，而是描述一個公共實體如何在資訊空間中被逐步閉合。 --- ## 20. 與 Multi-Relational Tensor Learning 的區別 既有 multi-relational learning 早已使用三維張量或其他 latent factor models 表示： $$ (\text{entity}_i,\text{relation}_r,\text{entity}_j). $$ 因此本文不能宣稱「第一次使用張量表示實體關係」。 NUMSC 的不同點在於： $$ \mathcal{T}^{(k)}_{i_1\cdots i_k} $$ 的索引首先對應的是多個符號／證據項的聯合耦合，而不是固定三元知識圖譜中的 relation type。 換言之： $$ \text{multi-relational tensor} $$ 與： $$ \text{higher-order multi-symbol coupling tensor} $$ 是相鄰但不同的建模對象。 --- ## 21. 與 Hypergraph Alignment 的關係 近期 hypergraph alignment 研究明確指出，普通 graph 天然以 pairwise relation 為基本單位，而 higher-order dependencies 需要 hypergraph 才能直接表達。 本文採用相同的結構動機，但應用於公共身份閉合： $$ \boxed{ \text{multiple symbols} + \text{multiple documents} + \text{multiple relations} \rightarrow \text{one higher-order identity evidence structure}. } $$ 因此，本文的超圖不是為了取代所有 graph 方法，而是用來表示 graph projection 可能遺失的不可約高階關係。 --- ## 22. Graph projection 與資訊損失 給定超圖： $$ \mathcal{H}=(V,\mathcal{E}), $$ 常見作法可把每條 hyperedge 投影成 clique： $$ e=\{v_1,v_2,v_3\} $$ 轉成： $$ (v_1,v_2), (v_1,v_3), (v_2,v_3). $$ 但投影後，系統無法僅由三條 pairwise edge 判斷： > 原本是一個三元共同關係？ 還是： > 三個互不相干的二元關係恰好同時存在？ 因此 graph projection 可以保留部分鄰接資訊，卻不必保留原始高階事件的完整語義。 此差異對身份解析尤其重要，因為： $$ \text{共同署名} $$ 與： $$ \text{三組獨立共現} $$ 可能產生相同 pairwise clique，卻具有不同的證據意義。 --- ## 23. 語義耦合場 當符號集合持續增長時，使用固定階數 $k$ 並不總是方便。 因此定義完整語義耦合場： $$ \mathfrak{T}_E^{\Omega} = \left\{ \mathcal{T}^{(2),\Omega}, \mathcal{T}^{(3),\Omega}, \ldots, \mathcal{T}^{(n),\Omega} \right\}. $$ 它不是單一有限階 tensor，而是一族由不同階聯合證據形成的結構。 實體身份狀態可進一步寫成： $$ \mathcal{I}_E^{\Omega} = \left( \Sigma_E, \mathbf{w}^{\Omega}, \mathfrak{T}_E^{\Omega}, \mathcal{D}, \mathbf{K} \right), $$ 其中： - $\Sigma_E$：符號族； - $\mathbf{w}^{\Omega}$：非均勻符號權重； - $\mathfrak{T}_E^{\Omega}$：高階耦合場； - $\mathcal{D}$：來源集合； - $\mathbf{K}$：來源依賴／相關矩陣。 這構成本文所稱的： $$ \boxed{ \text{multi-symbol identity field}. } $$ --- ## 24. 從身份閉合回到 PPSS Paper 01 中的身份可辨識度： $$ R(E,\Omega) $$ 現在可以重新寫成： $$ R(E,\Omega) = \Phi \left( \mathcal{I}_E^{\Omega} \right), $$ 即： $$ R(E,\Omega) = \Phi \left( \Sigma_E, \mathbf{w}^{\Omega}, \mathfrak{T}_E^{\Omega}, \mathcal{D}, \mathbf{K} \right). $$ 機器可辨識度： $$ M(E,\Omega) $$ 則可以理解成特定機器系統 $\mathcal{A}$ 對同一身份場的推斷性能： $$ M(E,\Omega;\mathcal{A}) = \Psi_{\mathcal{A}} \left( \mathcal{I}_E^{\Omega} \right). $$ 因此： $$ R $$ 是問題結構的一部分，而： $$ M $$ 同時依賴求解器能力。 這個區分對下一篇 Paper 03 將非常重要。 --- ## 25. 可檢驗假說 本文提出以下經驗假說。 ### H1：非均勻權重假說 在真實多符號實體中： $$ \operatorname{Var} \left( \alpha_1,\ldots,\alpha_n \right) >0 $$ 通常成立。 ### H2：高階增益假說 存在相當比例的身份解析案例，使： $$ G_k(S)>0 $$ 對某些 $k\ge3$ 成立。 ### H3：來源修正假說 加入來源依賴修正後，身份 confidence calibration 優於將所有頁面視為獨立證據的模型。 ### H4：觀察者重綁定假說 不同平台／查詢下： $$ \operatorname{rank} \left( w_i^{\Omega_1} \right) \neq \operatorname{rank} \left( w_i^{\Omega_2} \right) $$ 會頻繁發生。 ### H5：LLM 高階閉合假說 在包含多類符號與跨文件證據的 benchmark 中，允許聯合上下文推理的 LLM／graph-hypergraph hybrid 系統，應在部分案例上優於純 pairwise alias similarity 模型。 此假說不預設 LLM 必然正確；其驗證必須同時測量 hallucinated coupling。 --- ## 26. Benchmark 設計 可以建立一個 Multi-Symbol Public Entity Benchmark。 每個實體至少包含： $$ E \rightarrow \{ s_1,\ldots,s_n \}. $$ 資料應包括： 1. 真實 alias； 2. 高歧義 alias； 3. 品牌與法人關係； 4. 網域與作者頁； 5. 跨語言名稱； 6. 鏡像來源； 7. 真正獨立第三方來源； 8. hard negative entities； 9. 僅在三階以上證據才容易閉合的案例。 評估至少包含： $$ \text{Precision}, $$ $$ \text{Recall}, $$ $$ \text{F1}, $$ $$ \text{Brier Score}, $$ $$ \text{ECE}, $$ 以及： $$ \Delta_{\mathrm{HO}} = \text{Score}_{\mathrm{higher-order}} - \text{Score}_{\mathrm{pairwise}}. $$ 其中： $$ \Delta_{\mathrm{HO}}>0 $$ 可作為高階模型是否真正帶來辨識收益的直接證據。 --- ## 27. 失敗模式 ### 27.1 假閉合 大量語義相似不等於同一身份： $$ \text{semantic similarity} \not\Rightarrow \text{identity}. $$ ### 27.2 熱門實體吸引 搜尋與知識庫系統可能把模糊符號錯誤吸附到高知名度候選。 ### 27.3 自有內容迴圈 大量自有網站互相引用可能造成： $$ \text{apparent source diversity} > \text{true source independence}. $$ ### 27.4 LLM 關係幻覺 LLM 可能因敘事一致性而創造不存在的： $$ s_i\leftrightarrow s_j. $$ 因此高階推理必須保留 evidence provenance。 ### 27.5 時間漂移 公司、品牌、筆名、職位與網域關係都可能隨時間變動： $$ \mathfrak{T}_E = \mathfrak{T}_E(t). $$ 所以身份閉合不能永遠視為靜態。 --- ## 28. 理論邊界 本文不主張： 1. 所有身份問題都需要高階 tensor； 2. pairwise graph 沒有用； 3. LLM 一定優於傳統 entity linker； 4. 多來源自動等於高可信； 5. 高階耦合等於因果關係； 6. 身份閉合等於權威或知名度。 本文只主張： $$ \boxed{ \text{pairwise models are not universally sufficient for multi-symbol public identity closure}. } $$ 以及： $$ \boxed{ \text{symbol weights are generally non-uniform and observation-dependent}. } $$ --- ## 29. 與 Paper 01 的統一 Paper 01 的核心式為： $$ \mathbf{x}_E^{\Omega} = (I,S,V,D,R,M,H,A,\rho). $$ Paper 02 現在把其中的： $$ R $$ 展開成： $$ R = \Phi \left( \Sigma_E, \mathbf{w}^{\Omega}, \mathfrak{T}_E^{\Omega}, \mathcal{D}, \mathbf{K} \right). $$ 因此公共顯著性理論第一次具有兩層結構： $$ \boxed{ \text{symbol/evidence layer} \rightarrow \text{entity state layer}. } $$ 下一步則需要研究： $$ R,M,H,S,V $$ 彼此如何解耦。 亦即： > 一個實體為什麼可以被搜尋引擎與 AI 高度閉合，卻仍然在人類社會中低知名？ 這將構成 Series I / Paper 03。 --- ## 30. 結論 本文提出 NUMSC，將公共實體的多符號結構表示為： $$ \mathcal{I}_E^{\Omega} = \left( \Sigma_E, \mathbf{w}^{\Omega}, \mathfrak{T}_E^{\Omega}, \mathcal{D}, \mathbf{K} \right). $$ 其中： $$ \mathbf{w}^{\Omega} $$ 描述符號的非均勻、觀察者依賴權重； $$ \mathfrak{T}_E^{\Omega} $$ 描述二階以上的高階語義耦合； $$ \mathbf{K} $$ 修正來源間的依賴性。 本文以 parity 構造證明，所有 pairwise 邊際資訊不足以一般性地唯一恢復高階聯合結構。因此： $$ \boxed{ \mathcal{T}^{(k)} \not\equiv \sum \mathcal{T}^{(2)}. } $$ 這不是說每個搜尋問題都必須使用高階張量，而是說：當身份唯一性真正來自多個符號、來源與上下文的聯合閉合時，二元關係的簡單加總沒有普遍充分性。 因此，公共身份不應被理解為： $$ \text{name} \rightarrow \text{entity}. $$ 更一般地，它是一個： $$ \boxed{ \text{query-dependent weighted semantic field of symbols, sources, and higher-order relations}. } $$ --- ## 參考文獻 [1] McKelvey, K., Goutzounis, P., da Cruz, S., & Chambers, N. (2017). Aligning Entity Names with Online Aliases on Twitter. *Proceedings of the Fifth International Workshop on Natural Language Processing for Social Media*, 25–35. DOI: 10.18653/v1/W17-1104. [2] Moro, A., Raganato, A., & Navigli, R. (2014). Entity Linking meets Word Sense Disambiguation: a Unified Approach. *Transactions of the Association for Computational Linguistics*, 2, 231–244. DOI: 10.1162/tacl_a_00179. [3] Cao, Y., Hou, L., Li, J., & Liu, Z. (2018). Neural Collective Entity Linking. *Proceedings of COLING 2018*, 675–686. [4] Yang, X., Gu, X., Lin, S., Tang, S., Zhuang, Y., Wu, F., Chen, Z., Hu, G., & Ren, X. (2019). Learning Dynamic Context Augmentation for Global Entity Linking. *Proceedings of EMNLP-IJCNLP 2019*, 271–281. DOI: 10.18653/v1/D19-1026. [5] Zhang, Q., Sun, Z., Hu, W., Chen, M., Guo, L., & Qu, Y. (2019). Multi-view Knowledge Graph Embedding for Entity Alignment. arXiv:1906.02390. [6] Trisedya, B. D., Qi, J., & Zhang, R. (2019). Entity Alignment between Knowledge Graphs Using Attribute Embeddings. *Proceedings of AAAI*, 33(01), 297–304. DOI: 10.1609/aaai.v33i01.3301297. [7] Tan, S., Guan, Z., Cai, D., Qin, X., Bu, J., & Chen, C. (2014). Mapping Users across Networks by Manifold Alignment on Hypergraph. *Proceedings of AAAI*, 28(1). DOI: 10.1609/aaai.v28i1.8720. [8] Yan, Y., Yang, C., Chen, Y., Cai, R., & Ng, M. (2025). Hypergraph Learning for Unsupervised Graph Alignment via Optimal Transport. *Proceedings of AAAI*, 39(20), 21913–21921. DOI: 10.1609/aaai.v39i20.35498. [9] Hu, H., Feng, Y., Li, R., Xue, R., Hou, X., Tian, Z., et al. (2026). Cog-RAG: Cognitive-Inspired Dual-Hypergraph with Theme Alignment Retrieval-Augmented Generation. *Proceedings of AAAI*, 40(37), 31032–31040. DOI: 10.1609/aaai.v40i37.40363. [10] Sutskever, I., Tenenbaum, J. B., & Salakhutdinov, R. (2009). Modelling Relational Data using Bayesian Clustered Tensor Factorization. *Advances in Neural Information Processing Systems 22*. [11] Jenatton, R., Roux, N. L., Bordes, A., & Obozinski, G. R. (2012). A Latent Factor Model for Highly Multi-relational Data. *Advances in Neural Information Processing Systems 25*. [12] Socher, R., Chen, D., Manning, C. D., & Ng, A. Y. (2013). Reasoning With Neural Tensor Networks for Knowledge Base Completion. *Advances in Neural Information Processing Systems 26*. [13] Sawada, Y., Fujita, T., Sakai, Y., & Watanabe, T. (2026). entity-linkings: A Unified Library for Entity Linking. *Proceedings of EACL 2026, Volume 3*, 591–601. DOI: 10.18653/v1/2026.eacl-demo.42. [14] Chourasia, S., Kapoor, H., & Patil, N. (2026). Structure-Guided Entity Resolution: Fine-Tuning LLMs for Robust Name Matching in Complex Linguistic Contexts. *Proceedings of ACL 2026, Industry Track*, 1461–1468. DOI: 10.18653/v1/2026.acl-industry.101. --- ## 系列位置 **Series I：公共顯著性場與實體可辨識理論** 1. Paper 01：有名—無名的多維狀態空間 2. **Paper 02：多符號非均勻權重與高階語義耦合** 3. Paper 03：搜尋顯著度、人類知名度與機器可辨識度的解耦 4. Paper 04：觀察者依賴的感知顯著度理論 5. Paper 05：資訊質量累積與顯著性壓力猜想 6. Paper 06：第三方生成相變與自我繁殖公共圖