通过开发解释节点嵌入维度的人类可理解的解释，我们提出了一种新方法，用于改进现有的节点嵌入模型的解释性，同时保持其在链接预测方面的有效性。

Oct, 2023

本文提出了一种名为 EiX-GNN 的新方法，可以编码解释图神经网络的社会依赖关系，并介绍了解释者概念吸收度的概念来适应解释需要，实现了针对真实数据的定性研究和比较，并在公平性和简洁性方面取得了良好的结果。

Jun, 2022

本论文介绍了一种针对知识图嵌入模型的事后可解释人工智能方法，通过直接解码嵌入在知识图中的潜在表示，识别相似嵌入实体的子图邻域内的不同结构，并将这些见解转化为人类可理解的符号规则和事实，在知识图嵌入模型的抽象表示和预测输出之间构建了桥梁，提供清晰、可解释的见解。

Jun, 2024

本文提出了衡量链接预测解释质量的定量指标，通过使用这些指标对图神经网络的最先进可解释性方法进行评估，讨论了底层假设和特定于链接预测任务的技术细节对解释质量的影响。

Aug, 2023

介绍了知识图谱嵌入的概念，生成和评估，总结了用于在向量空间中表示知识的方法，讨论了预测模型的解释性问题和解决方法。

Apr, 2020

本次调查综述了网络嵌入的发展历史以及对分类、聚类、链接预测和可视化等任务的作用，将网络嵌入方法根据不同场景进行了分类，包括监督学习、无监督学习、同质网络和异质网络等。最后，探讨了网络嵌入未来的研究方向。

Aug, 2018

本研究从最小熵原则的角度重新审视节点嵌入维度选择（NEDS）问题，提出了一种基于图数据的 Minimum Graph Entropy（MinGE）算法，该算法考虑了图上的特征熵和结构熵。实验结果表明 MinGE 的有效性和普适性。

May, 2021

提供第一个可以生成解释的框架，用于理解和修复基于嵌入的实体对齐结果。通过比较邻近实体和关系来构建匹配子图作为局部解释，构建依赖关系图以从抽象角度理解实体对齐对，根据依赖图解决三种对齐冲突类型来修复实体对齐结果。实验证明了我们框架在解释和修复基于嵌入的实体对齐结果方面的有效性和泛化性。

Dec, 2023

本研究对 15 个数据集进行了 12 种度量方法的实验研究，其中涵盖了图的非线性降维和表示学习。结果显示，无论是在连接预测还是节点分类任务中，没有一种方法完全胜出。

May, 2019

本研究提出了一种新型的节点嵌入方法，通过全局最小化成对相对熵和非线性的图地理路径，将每个节点编码为测量空间上的概率密度函数，并研究了其几何性质和有效的学习过程，实验结果表明，该方法在保留全局地理信息方面优于现有模型，并在无监督设置下在各种评估指标上表现出色。

May, 2019