可解释性链接预测方法研究与系统实现

作     者：侯韬 

作者单位：山西大学 

学位级别：硕士

导师姓名：王智强

授予年度：2023年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 

主      题：可解释性 链接预测 黑盒模型 互信息 

摘      要：链接预测是网络数据挖掘领域中的一个重要研究任务。近年来,基于图神经网络的链接预测模型能够有效建模图结构和节点特征,因其具有很强的网络表示学习能力,这使得链接预测任务的性能得到了很大提升,但由于图神经网络模型的“黑盒特性,其不可解释性问题也愈发突出。链接预测结果的不可解释、不可信的问题使其在社会化推荐、生物信息等应用领域难以被广泛接受。当前图神经网络的可解释性方法研究主要是面向节点分类和图分类任务且都存在局限性:基于梯度的方法存在梯度饱和的问题,在稀疏图上会加剧;基于代理的方法难以寻找合适的简单模型去拟合现有的深度学习模型,不具有普遍性;基于扰动的方法添加扰动的离散程度会引入噪声影响结果。以上方法主要是针对节点或图分类,难以直接迁移至链接预测任务中。为此,本文从基于扰动的角度,针对扰动矩阵带来的局限性,对可解释性链接预测进行了深入研究,主要包括以下三个方面:(1)针对连续型的扰动值可能会对输入图引入噪声及0-1的离散型扰动值不可微问题,提出一种融合离散型和连续型扰动值的可解释性链接预测方法。该方法首先计算边的因果贡献值并降序排序,然后使用边贡献值构造边的扰动矩阵,最后基于子图与预测概率的互信息去求解解释子图。实验在5个数据集上验证了该方法的性能优于已有方法。(2)针对基于扰动的可解释模型难以直接迁移到链接预测的问题,提出一种基于子图的可解释性链接预测方法。该方法首先对目标节点对的局部子图进行抽取,然后添加扰动矩阵送入图神经网络模型训练二次抽取出解释子图。该方法在4个数据集上实验验证了子图两次抽取的有效性,模型性能有所提高。(3)基于上述两种方法,实现了可解释性链接预测系统。该系统将网络数据作为输入,既能够得到网络节点之间的链接预测结果,又能够对节点之间链接预测的解释子图进行可视化,为用户的理解和方法的应用提供了重要参考价值。