一种基于代理模型的图神经网络简化解释方法

本发明属于图神经网络解释和切分聚合领域，具体涉及一种基于代理模型的图神经网络简化解释方法。

背景技术：

1、图神经网络(graph neural networks,gnns)是一类专门用于图结构数据处理的深度学习模型。在多个领域，如社交网络分析、生物信息学、推荐系统和知识图谱中，数据往往以图的形式存在，图中的节点表示实体，边表示实体间的关系。社交网络是由个体或组织组成的集合，通过各种社会关系相互连接，通常节点代表个体，边代表关系；社交网络分析(sna)研究网络结构和动态，包括中心性、社群检测、网络演化等，广泛应用于社交媒体、商业网络、生物网络等领域，面临大规模数据处理和隐私保护等挑战；传统的神经网络模型如卷积神经网络(cnns)和循环神经网络(rnns)并不直接适用于社交网络图数据，因为它们主要处理规则的欧几里得数据结构，如图像网格和时间序列。

2、gnn通过在社交网络图结构上进行卷积操作，可以捕捉到节点间的复杂依赖关系。这种模型通常包括消息传递或聚合策略，节点可以根据邻居节点的特征和边的特性来更新自己的特征表示。gnn模型虽然在多个任务上显示出优异的性能，但它们的黑盒特性使得模型的决策过程难以理解。解释模型可以揭示模型的工作机制，如节点级别的重要性和边的影响力，从而提高模型的透明度和信任度。

3、但是在面临大规模图数据集时，由于大规模图数据集复杂度高，难以训练出解释模型。

技术实现思路

1、为解决以上现有技术问题，本发明采用一种基于代理模型的图神经网络简化解释方法，包括：

2、获取社交网络的大型图结构数据，将社交网络的大型图结构数据输入训练好的图神经网络简化解释模型，得到解释子图；所述图神经网络简化解释模型包括：聚合切分模型、图神经网络模型以及解释模型；

3、图神经网络简化解释模型的训练过程包括：获取社交网络的大型图结构数据集，即大图；将大图输入训练好的聚合切分模型，得到小图；将小图输入训练好的图神经网络模型，得到预测值；利用训练好的图神经网络模型、小图以及小图在训练好的图神经网络模型上的预测值训练解释模型，得到训练好的解释模型。

4、聚合切分模型对大图进行处理包括：对大图进行预处理，对预处理后的大图进行关键性评估，得到节点和边的中心性指标，根据节点和边的中心性指标对预处理后的大图进行聚合切分，得到小图。

5、对大图进行预处理包括：去除大图中的噪声、无关数据、孤立节点以及不一致的边。

6、对预处理后的大图进行聚合切分包括：设置可学习的节点阈值和边阈值，将预处理后的大图中的中心性指标小于节点阈值的节点去除，将预处理后的大图中的中心性指标小于边阈值的边去除，得到小图。

7、对预处理后的大图进行关键性评估包括：计算节点的度中心性介数中心性和接近中心性利用和综合评估节点v的关键性，得到节点v的中心性指标；计算边的介数中心性，将边的介数中心性作为边的中心性指标。

8、聚合切分模型和图神经网络模型的训练过程包括：将大图输入聚合切分模型，得到小图；将小图和大图分别输入图神经网络模型，得到小图和大图的预测值；根据小图和大图的预测值计算损失函数值，根据损失函数值更新聚合切分模型和图神经网络模型的参数，当损失函数值最小时，完成模型训练，得到训练好的聚合切分模型和图神经网络模型。

9、损失函数total loss为：

10、

11、其中，m为小图中节点的总数，c为类别的总数，yij为真实标签，表示第i个样本是否属于j个类别，为小图的预测值，表示第i个样本属于第j个类别的概率，表示大图的预测向量，表示第i个样本属于第j个类别的概率，表示小图的预测向量。

12、所述图神经网络模型为图卷积网络模型，包括四个图卷积层和一个全连接层。

13、每层图卷积层后设有一个dropout层。

14、所述解释模型为gnnexplainer；gnnexplainer为图神经网络解释器。

15、有益效果：

16、1、本发明通过大图应用切分聚合算法形成小图，在训练图神经网络时利用小图拟合大图，进一步的在小图上运用解释模型来间接地解释大图，在保证解释质量的同时大大减少了现有解释模型应用在大规模图数据集的训练时间，提高了解释的效率和可解释性；2、本发明对大图中的边和点进行关键性评估，并根据边和点的关键性评估结果来对大图进行切分，加强了小图的代表性，从而更好的在小图上应用可解释模型；3、本发明通过结合分类和大图预测一致性的损失，该损失函数可以同时优化小图在类别预测和与大图预测结果一致性方面的表现，使得小图能够更全面地拟合大图的行为，确保了解释的可靠性。

1.一种基于代理模型的图神经网络简化解释方法，其特征在于，包括：

2.根据权利要求1所述的一种基于代理模型的图神经网络简化解释方法，其特征在于，聚合切分模型对大图进行处理包括：对大图进行预处理，对预处理后的大图进行关键性评估，得到节点和边的中心性指标，根据节点和边的中心性指标对预处理后的大图进行聚合切分，得到小图。

3.根据权利要求2所述的一种基于代理模型的图神经网络简化解释方法，其特征在于，对大图进行预处理包括：去除大图中的噪声、无关数据、孤立节点以及不一致的边。

4.根据权利要求2所述的一种基于代理模型的图神经网络简化解释方法，其特征在于，对预处理后的大图进行聚合切分包括：设置可学习的节点阈值和边阈值，将预处理后的大图中的中心性指标小于节点阈值的节点去除，将预处理后的大图中的中心性指标小于边阈值的边去除，得到小图。

5.根据权利要求2所述的一种基于代理模型的图神经网络简化解释方法，其特征在于，对预处理后的大图进行关键性评估包括：计算节点的度中心性介数中心性和接近中心性利用和综合评估节点v的关键性，得到节点v的中心性指标；计算边的介数中心性，将边的介数中心性作为边的中心性指标。

6.根据权利要求1所述的一种基于代理模型的图神经网络简化解释方法，其特征在于，聚合切分模型和图神经网络模型的训练过程包括：将大图输入聚合切分模型，得到小图；将小图和大图分别输入图神经网络模型，得到小图和大图的预测值；根据小图和大图的预测值计算损失函数值，根据损失函数值更新聚合切分模型和图神经网络模型的参数，当损失函数值最小时，完成模型训练，得到训练好的聚合切分模型和图神经网络模型。

7.根据权利要求6所述的一种基于代理模型的图神经网络简化解释方法，其特征在于，损失函数totalloss为：

8.根据权利要求1所述的一种基于代理模型的图神经网络简化解释方法，其特征在于，所述图神经网络模型为图卷积网络模型，包括四个图卷积层和一个全连接层。

9.根据权利要求8所述的一种基于代理模型的图神经网络简化解释方法，其特征在于，每层图卷积层后设有一个dropout层。

10.根据权利要求1所述的一种基于代理模型的图神经网络简化解释方法，其特征在于，所述解释模型为gnnexplainer；gnnexplainer为图神经网络解释器。