用于链接符号预测的自可解释图Transformer

符号图神经网络（SGNN）已被证明在分析正负链接共存的复杂现实情境中的复杂模式方面是有效的。然而，SGNN模型存在可解释性差的问题，这限制了它们在需要理解预测理由的关键场景中的应用。据我们所知，目前尚无关于SGNN模型可解释性的研究工作。我们的目标是解决符号图神经网络在下游链接符号预测任务中的可解释性问题。由于后验解释并非直接来源于模型，它们可能存在偏差且无法反映真实的解释。因此，在本文中，我们引入了一个自可解释符号图Transformer（SE-SGformer）框架，该框架不仅能够输出可解释信息，还能确保高预测精度。具体而言，我们提出了一种新的符号图Transformer架构，并从理论上证明，基于符号随机游走的位置编码比当前的SGNN方法和其他基于位置编码的图Transformer方法具有更强的表达能力。我们通过发现节点的K近（远）正（负）邻居来构建一种新颖的可解释决策过程，以替代基于神经网络的解码器来预测边符号。这些K个正（负）邻居代表了节点间正（负）边形成的关键信息，因此可以作为决策过程中的重要解释信息。我们在多个真实数据集上进行了实验以验证SE-SGformer的有效性，该方法在最佳情况下将预测准确率提升了2.2%，将可解释准确率提升了73.1%。