面向知识图谱补全的基于路径的解释
机器学习
2024-10-21 v2 人工智能
社会与信息网络
摘要
近年来，图神经网络通过对实体和关系交互进行建模，在知识图谱补全中取得了巨大成功。然而，对预测事实的解释并未得到必要的关注。对基于 GNN 的 KGC 模型的结果进行适当解释可以提高模型透明度，并帮助研究人员开发更可靠的模型。现有的 KGC 任务解释方法依赖于实例/子图方法，而在某些场景下，路径可以提供更具用户友好性和可解释性的解释。尽管如此，为知识图谱生成基于路径的解释的方法尚未得到充分探索。为了填补这一空白，我们提出了 Power-Link，这是首个探索基于 GNN 模型的基于路径的 KGC 解释器。我们设计了一种新颖的简化图幂技术，使得能够以完全可并行且内存高效的训练方案生成基于路径的解释。我们进一步引入了三个新指标用于对解释进行定量评估，并进行了定性的人工评估。大量实验表明，Power-Link 在可解释性、效率和可扩展性方面均优于 SOTA 基线方法。
引用
@article{arxiv.2401.02290,
title = {Path-based Explanation for Knowledge Graph Completion},
author = {Heng Chang and Jiangnan Ye and Alejo Lopez Avila and Jinhua Du and Jia Li},
journal= {arXiv preprint arXiv:2401.02290},
year = {2024}
}
备注
Accepted by KDD 2024