KGExplainer：探索知识图谱完成的连通子图解释

知识图谱完成（KGC）旨在缓解知识图谱（KGs）内在的不完整性，这是诸多应用（如网页推荐）的关键任务。尽管知识图谱嵌入（KGE）模型在KGC任务中表现出优越的预测性能，但这些模型以黑箱方式推断缺失链接，缺乏透明度和可解释性，阻碍了开发可解释模型。现有KGE-based解释方法侧重于探索关键路径或孤立边作为解释，这些解释信息有限用于推理目标预测。此外，缺失的ground truth导致这些解释方法在定量评估中无效。为克服这些限制，我们提出了KGExplainer，这是一种模型无关的方法，通过识别连通子图解释并提炼评估器来定量评估它们。KGExplainer采用基于扰动的贪婪搜索算法，在目标预测的局部结构中寻找关键连通子图作为解释。为评估所探索解释的质量，KGExplainer从目标KGE模型中提炼出评估器。通过将解释输入到评估器中，我们的方法可以检查它们的忠实度。在基准数据集上的广泛实验表明，KGExplainer取得了有前景的改进，并在人类评估中实现了最佳比率83.3%。