[发明专利]一种保持预测顺序和结构依赖关系的图神经网络解释方法

权利要求书

1.一种保持预测顺序和结构依赖关系的图神经网络解释方法，其特征在于，包括：

S1：获取原始图数据，将原始图数据输入待解释的图神经网络模型，得到原始的预测结果；其中，原始图数据为一种情感分析的图分类数据，每个图是一条句子，图中每个节点是一个词，边是词语之间的关系；

S2：采用掩码生成器对原始图数据进行掩码，得到掩码后的子图；

S3：将掩码后的子图输入到待解释的图神经网络模型，得到掩码后的预测结果；

S4：根据原始预测结果和掩码后的预测结果计算总损失；

S5：根据总损失优化掩码生成器，重复步骤S2～S4，直到得到最优掩码生成器；

S6：采用最优掩码生成器对原始图数据进行掩码，得到掩码后的子图即原始预测结果的解释。

2.根据权利要求1所述的一种保持预测顺序和结构依赖关系的图神经网络解释方法，其特征在于，采用掩码生成器对原始图数据进行掩码的过程包括：

S21：将原始图的节点转换为新图的边，将原始图的边转换为新图的节点，在新图中有数据流的节点间建立边；

S22：将新图输入到图注意力网络模型中进行处理，得到隐变量；

S23：根据隐变量，采用离散分布的重参数技巧计算每条边的重要性分数，根据边的重要性分数对原始图的边进行掩码，得到掩码后的子图。

3.根据权利要求2所述的一种保持预测顺序和结构依赖关系的图神经网络解释方法，其特征在于，得到隐变量的公式为：

其中，Ω表示隐变量集合，表示掩码生成器网络模型，表示新图的邻接矩阵；表示新图的节点特征，表示掩码生成器的参数。

4.根据权利要求2所述的一种保持预测顺序和结构依赖关系的图神经网络解释方法，其特征在于，计算每条边的重要性分数的公式为：

m_pq＝C(ω_i,∈,τ₂)＝σ((log∈-log(1-∈)+ω_i)/τ₂)

其中，m_pq表示掩码节点p和节点q所连接的边e_i的重要性得分，ω_i表示隐变量集合中第i个隐变量，∈表示第一参数，τ₂表示第二超参数。

5.根据权利要求1所述的一种保持预测顺序和结构依赖关系的图神经网络解释方法，其特征在于，计算总损失的过程包括：

S41：计算掩码后预测结果的逆排序矩阵，根据逆排序矩阵调整原始预测结果的顺序；

S42：将原始预测调整顺序后的结果输入到Plackett-Luce模型计算排序损失；

S43：计算原始预测结果和掩码后预测结果之间的值差异性损失；

S44：根据每条边的重要性分数获得掩码矩阵，计算掩码矩阵的一阶范数；

S45：根据排序损失、值差异性损失和掩码矩阵的一阶范数计算总损失。

6.根据权利要求5所述的一种保持预测顺序和结构依赖关系的图神经网络解释方法，其特征在于，计算逆排序矩阵的公式为：

其中，表示逆排序矩阵的第i行，softmax()表示归一化指数函数，表示掩码后的预测结果，表示预测结果中两两概率值之间差的绝对值，i表示矩阵的第i行，1是一个全1的列向量，τ₁是温度参数，n表示一个图中节点的个数。

7.根据权利要求5所述的一种保持预测顺序和结构依赖关系的图神经网络解释方法，其特征在于，调整原始预测结果的顺序的公式为：

其中，表示原始预测Y调整顺序后的结果，表示逆排序矩阵，Y表示原始预测结果。

8.根据权利要求5所述的一种保持预测顺序和结构依赖关系的图神经网络解释方法，其特征在于，计算排序损失的公式：

其中，L_PL表示排序损失，表示原始预测Y调整顺序后的结果的第i个位置的值。