Conceptual associations influence how human memory is structured: Cognitive research indicates that similar concepts tend to be recalled one after another. Semantic network accounts provide a useful tool to understand how related concepts are retrieved from memory. However, most current network approaches use pairwise links to represent memory recall patterns (e.g. reading “airplane” makes one think of “air” and “pollution”, and this is represented by links “airplane”-“air” and “airplane”-“pollution”). Pairwise connections neglect higher-order associations, i.e. relationships between more than two concepts at a time. These higher-order interactions might covariate with (and thus contain information about) how similar concepts are along psycholinguistic dimensions like arousal, valence, familiarity, gender and others. We overcome these limits by introducing feature-rich cognitive hypergraphs as quantitative models of human memory where: (i) concepts recalled together can all engage in hyperlinks involving also more than two concepts at once (cognitive hypergraph aspect), and (ii) each concept is endowed with a vector of psycholinguistic features (feature-rich aspect). We build hypergraphs from word association data and use evaluation methods from machine learning features to predict concept concreteness. Since concepts with similar concreteness tend to cluster together in human memory, we expect to be able to leverage this structure. Using word association data from the Small World of Words dataset, we compared a pairwise network and a hypergraph with \(N= 3586\) concepts/nodes. Interpretable artificial intelligence models trained on (1) psycholinguistic features only, (2) pairwise-based feature aggregations, and on (3) hypergraph-based aggregations show significant differences between pairwise and hypergraph links. Specifically, our results show that higher-order and feature-rich hypergraph models contain richer information than pairwise networks leading to improved prediction of word concreteness. The relation with previous studies about conceptual clustering and compartmentalisation in associative knowledge and human memory are discussed.

概念关联影响人类记忆的结构：认知研究表明，相似的概念往往会被一个接一个地回忆起来。语义网络帐户提供了一个有用的工具来理解如何从记忆中检索相关概念。然而，大多数当前的网络方法使用成对链接来表示记忆回忆模式（例如，阅读“飞机”让人想到“空气”和“污染”，这由链接“飞机”-“空气”和“飞机”来表示） “污染”）。成对连接忽略高阶关联，即一次两个以上概念之间的关系。这些高阶交互可能与类似概念在心理语言学维度（如唤醒、效价、熟悉度、性别等）上的共变程度（因此包含相关信息）。我们通过引入功能丰富的认知超图作为人类记忆的定量模型来克服这些限制，其中：（i）一起回忆的概念都可以参与同时涉及两个以上概念的超链接（认知超图方面），以及（ii）每个概念被赋予了心理语言学特征的向量（特征丰富的方面）。我们从单词关联数据构建超图，并使用机器学习特征的评估方法来预测概念的具体性。由于具有相似具体性的概念往往会在人类记忆中聚集在一起，因此我们期望能够利用这种结构。使用来自 Small World of Words 数据集的单词关联数据，我们将成对网络和超图与 （i）一起回忆的概念都可以参与同时涉及两个以上概念的超链接（认知超图方面），以及（ii）每个概念都被赋予心理语言特征向量（特征丰富方面）。我们从单词关联数据构建超图，并使用机器学习特征的评估方法来预测概念的具体性。由于具有相似具体性的概念往往会在人类记忆中聚集在一起，因此我们期望能够利用这种结构。使用来自 Small World of Words 数据集的单词关联数据，我们将成对网络和超图与 （i）一起回忆的概念都可以参与同时涉及两个以上概念的超链接（认知超图方面），以及（ii）每个概念都被赋予心理语言特征向量（特征丰富方面）。我们从单词关联数据构建超图，并使用机器学习特征的评估方法来预测概念的具体性。由于具有相似具体性的概念往往会在人类记忆中聚集在一起，因此我们期望能够利用这种结构。使用来自 Small World of Words 数据集的单词关联数据，我们将成对网络和超图与 我们从单词关联数据构建超图，并使用机器学习特征的评估方法来预测概念的具体性。由于具有相似具体性的概念往往会在人类记忆中聚集在一起，因此我们期望能够利用这种结构。使用来自 Small World of Words 数据集的单词关联数据，我们将成对网络和超图与 我们从单词关联数据构建超图，并使用机器学习特征的评估方法来预测概念的具体性。由于具有相似具体性的概念往往会在人类记忆中聚集在一起，因此我们期望能够利用这种结构。使用来自 Small World of Words 数据集的单词关联数据，我们将成对网络和超图与\(N= 3586\)个概念/节点。在（1）仅心理语言特征、（2）基于成对的特征聚合和（3）基于超图的聚合上训练的可解释人工智能模型显示出成对链接和超图链接之间的显着差异。具体来说，我们的结果表明，高阶且特征丰富的超图模型比成对网络包含更丰富的信息，从而改进了单词具体性的预测。讨论了与先前关于联想知识和人类记忆中的概念聚类和划分的研究的关系。