GradXKG：一种通用的按需解释时序知识图谱解释器

时序知识图谱（TKGs）通过引入时间维度来表示事实随时间的演化，在推理任务中展现出潜力。然而，现有的 TKG 推理（TKGR）模型因其黑盒特性而缺乏可解释性。近期工作试图通过生成推理路径的定制模型架构来解决此问题，但这些新方法泛化能力有限且提供的解释输出稀疏。为使大多数 TKGR 模型具备可解释性，我们提出 GradXKG，一种新颖的基于两阶段梯度的解释方法，用于解释基于关系图卷积网络（RGCN）的 TKGR 模型。首先，受 Grad-CAM 启发的 RGCN 解释器追踪梯度，以高效的“按需解释”方式量化各节点跨时间步的贡献。其次，积分梯度解释器整合 RGCN 输出的重要性分数，将兼容性扩展至基于 RGCN 的多种 TKGR 架构。两个解释器共同凸显了给定预测中每个时间步最关键的节点。我们的大量实验表明，通过利用梯度信息，GradXKG 能及时为大多数基于 RGCN 的 TKGR 模型提供植根于模型逻辑的有见地解释。这有助于解决现有 TKGR 模型可解释性不足的问题，并提供了一种适用于多种模型的通用解释方法。