[发明专利]一种可解释的图神经网络预测方法、系统和装置

说明书

本说明书提供一种可解释的图神经网络预测方法、系统和装置，所述方法包括：将图神经网络中的多个节点通过训练好的决策树模型映射为多个N维的独热编码，每个独热编码对应决策树的一个叶子节点；将节点的独热编码和至少一个邻居节点的独热编码输入训练好的预测模型，所述预测模型包括传播层、融合层、拼接层和回归层，其中：传播层基于训练好的传播模型，获取至少一个N维的传播向量；融合层基于至少一个N维的传播向量，获取N维的融合向量；拼接层将节点N维的独热编码和N维的融合向量拼接，得到节点的2N维的表示向量；回归层基于节点的表示向量得到预测结果；基于决策树以及节点的2N维的表示向量，获取节点的预测结果的解释。

技术领域

本申请涉及图神经网络可解释性领域，特别涉及一种可解释的图神经网络预测方法、系统和装置。

背景技术

图神经网络(Graph Neural Network，GNN)是一种用于表示实体对象之间复杂关系的数据，通常包含多个表示实体对象的节点以及连接多个节点之间的边。图神经网络模型可以基于节点以及节点之间的边，对实体对象(例如用户)进行预测。在实际应用中，需要对图神经网络模型的预测结果进行解释，然而，图神经网络模型中包含的大量参数，导致难以对预测结果进行解释。

因此，希望提供一种可解释的图神经网络预测方法。

发明内容

本说明书的一个方面提供一种可解释的图神经网络预测方法，所述方法包括：将图神经网络中的多个节点通过训练好的决策树模型映射为多个N维的独热编码，每个独热编码对应决策树的一个叶子节点；将节点的独热编码和至少一个邻居节点的独热编码输入训练好的预测模型，所述预测模型包括传播层、融合层、拼接层和回归层，其中：传播层基于训练好的传播模型，获取至少一个N维的传播向量；融合层基于至少一个N维的传播向量，获取N维的融合向量；拼接层将节点N维的独热编码和N维的融合向量拼接，得到节点的2N维的表示向量；回归层基于节点的表示向量得到预测结果；基于决策树以及节点的2N维的表示向量，获取节点的预测结果的解释。

本说明书的另一个方面提供一种可解释的图神经网络预测系统，所述系统包括：编码模块，用于将图神经网络中的多个节点通过训练好的决策树模型映射为多个N维的独热编码，每个独热编码对应决策树的一个叶子节点；预测模块，用于将节点的独热编码和至少一个邻居节点的独热编码输入训练好的预测模型，所述预测模型包括传播层、融合层、拼接层和回归层，其中：传播层基于训练好的传播模型，获取至少一个N维的传播向量；融合层基于至少一个N维的传播向量，获取N维的融合向量；拼接层将节点N维的独热编码和N维的融合向量拼接，得到节点的2N维的表示向量；回归层基于节点的表示向量得到预测结果；解释模块，用于基于决策树以及节点的2N维的表示向量，获取节点的预测结果的解释。

本说明书的另一个方面提供一种可解释的图神经网络预测装置，包括处理器，所述处理器用于执行可解释的图神经网络预测方法。

附图说明

本说明书将以示例性实施例的方式进一步描述，这些示例性实施例将通过附图进行详细描述。这些实施例并非限制性的，在这些实施例中，相同的编号表示相同的结构，其中：

图1是根据本说明书的一些实施例所示的可解释的图神经网络预测系统的应用场景示意图；

图2是根据本说明书的一些实施例所示的可解释的图神经网络预测方法的示例性流程图；

图3是根据本说明书的一些实施例所示的决策树模型的示意图；

图4是根据本说明书的一些实施例所示的预测模型的示意图；

图5是根据本说明书的一些实施例所示的训练决策树模型的示意图。

具体实施方式