单调图神经网络的逻辑表达性与解释：基于评分函数

图神经网络（GNNs）常用于链接预测任务：预测知识图谱（KGs）中缺失的二元事实。为解决GNNs在KGs上缺乏可解释性的问题，近期研究从GNNs中提取Datalog规则，确保可数的对应关系。提取的规则可用于解释GNN的预测；此外，它们还能帮助 characterize 各种GNN模型的表达能力。然而，这些工作仅针对基于受限、低表达力图编码/解码方法的链接预测形式进行了研究。本文考虑一种更为通用且流行的链接预测方法，即使用评分函数对GNN输出进行解码以进行事实预测。我们展示了如何将GNNs和评分函数改造为单调性，从而利用单调性提取解释预测的 sound 规则，并利用现有结果表明评分函数能够捕获的规则类型。我们还定义了获取特定类单调GNNs及评分函数等价Datalog程序的程序。我们的实验表明，在链接预测基准测试中，单调GNNs和评分函数在实际中表现良好，并且会产生大量 sound 规则。