.png){kind=icon}
返回
Explaining GNN-based Recommendations in Logic
.png){kind=icon}
PRE
AI
DOI：10.14778/3712221.3712237.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
本文提出Makex（MAKE senSE），一种用于解释GNN基模型M(x, y)为何向用户x推荐物品y的逻辑方法。该方法提出了一类用于解释的规则，记作REPs，并使用图模式Q和依赖关系X-M(x, y)进行定义，其中X是一组谓词，模型M(x, y)被视为该规则的结果。直观上，给定M(x, y)，我们通过发现模式Q来识别相关拓扑结构，并通过前置条件X来揭示顶点特征间的相关性、交互作用和依赖关系；这两者共同为预测M(x, y)提供依据，识别对M进行预测的决定性特征以及决策可被做出的条件。我们（a）基于1-WL测试定义REPs，大多数用于推荐的GNN模型均基于此测试；（b）开发了一种用于发现M的REPs作为全局解释的算法，以及（c）提供了一种计算排名靠前的局部解释的top-k算法。通过真实图数据，我们经验性地验证了Makex在保真度、稀疏性和效率方面优于以往的图解释方法。
期刊
P
IF:
3.3
论文数:
563
被引数:
1.2W
机构
引用论文
"Why Should I Trust You?"“我为什么要相信你？”.png)
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining
Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data MiningIF0
PREAI
分享收藏
Topic-enhanced Graph Neural Networks for Extraction-based Explainable Recommendation主题增强图神经网络用于基于提取的解释性推荐
PREAI
分享收藏分享收藏An Efficient Neighborhood-based Interaction Model for Recommendation on Heterogeneous GraphProceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining
OAAI
Proceedings of the 26th ACM SIGKDD International Conference on Knowledge Discovery & Data MiningIF0
OAAI分享收藏
查看更多内容