圖神經網絡 社區發現（圖神經網絡算法）
【導讀】GraphNarrator是圖神Emory大學研究團隊開發的首個為圖神經網絡生成自然語言解釋的工具通過構造和優化解釋偽標簽，再將這些標簽蒸餾到一個端到端模型中，經網使模型能直接輸出高質量的絡社自然語言解釋，讓復雜的現圖圖神經網絡決策過程變得透明可理解，且在多個真實數據集上驗證了其有效性。神經算法
圖神經網絡（GNN）已成為處理結構化數據的網絡核心工具，廣泛應用于社交網絡、圖神藥物設計、經網金融風控等場景然而，絡社現有 GNN 的現圖決策過程高度復雜，且常常缺乏透明度：為什么模型做出這樣的神經算法預測？關鍵依據在哪？這成為阻礙其大規模落地的重要瓶頸。
已有方法多基于「重要子圖提取」或「節點-邊歸因」，網絡如 GNNExplainer、圖神PGExplainer 等，經網但它們只能輸出結構片段，絡社不具備人類可讀性，且缺乏對文本屬性節點的處理能力（如文獻圖、商品圖）Emory大學的研究團隊提出了首個面向圖神經網絡的自然語言解釋生成器GraphNarrator，首次實現從GNN輸入輸出中，生成高質量的自然語言解釋，讓圖神經網絡從「黑盒模型」變為「有理有據的決策體」。
論文鏈接：https://arxiv.org/pdf/2410.15268 代碼鏈接：https://github.com/pb0316/GraphNarratorGraphNarrator聚焦于一種重要的圖類型Text-Attributed Graphs (TAGs)，即節點特征為自然語言文本（如論文摘要、商品介紹、疾病描述等）。
論文貢獻包括：提出首個自然語言解釋框架，將TAG圖解釋從結構層面擴展至語言層；統一結構化與語言信息，橋接圖結構推理與LLM理解能力；開源工具鏈，提供高質量偽標簽構造器+自監督蒸餾方法，便于遷移至任意GNN任務。
論文第一作者為Emory大學博士生Bo Pan，長期從事圖學習與可解釋人工智能方向研究共同第一作者為USC碩士生Zhen Xiong和Emory大學博士生Guanchen Wu，通訊作者為Emory計算機系副教授Liang Zhao。
該研究獲得ACL2025 主會接收，提出首個面向圖神經網絡的自然語言解釋生成器 GraphNarrator。 讓GNN開口說話
GraphNarrator 總體包含三步： 1. 構造解釋偽標簽（Pseudo-label Generation） 使用saliency-based解釋方法提取「重要文本+關鍵鄰居節點」，形式是每個特征（節點、邊、token）的重要性。
將這些結構轉化為結構化Prompt，和問題與預測一起輸入GPT模型，生成可解釋偽標簽 2. 優化偽標簽（Filtering via Expert-Designed Criteria） 通過兩大標準篩選質量更高的偽標簽：。
忠實性（faithfulness）：與模型預測一致，研究人員通過互信息（mutual information）的方式計算生成的文字解釋與輸入、輸出之間的忠實性簡潔性（conciseness）：信息濃縮、可讀性強，鼓勵長度更短。
GraphNarrator通過專家迭代（Expert Iteration）同時優化這兩個目標，確保教師模型（teacher model）生成高質量的解釋 3. 蒸餾解釋器（Training Final Explainer） 。
將偽標簽蒸餾進一個端到端模型（文章中使用LlaMA 3.1 8B），直接輸入圖結構與文本，即可自動輸出解釋語句。
忠實、可讀、用戶更愛看！ 數據集研究人員在多個真實世界的Text-Attributed Graph（TAG）數據集上對GraphNarrator進行了系統評估，包括：Cora：論文引文圖，節點為論文，文本為摘要
DBLP：作者合作圖，文本為論文列表PubMed：生物醫學文獻圖對比方法：各主流 LLM（LLaMA 3.1-8B、GPT?3.5、GPT?4o）Zero-shot生成解釋SMV：基于GPT?4o的saliency解釋模板轉換方法
GraphNarrator（基于LLaMA 3.1-8B）評估目標是檢驗 GraphNarrator 生成的自然語言解釋是否忠實、準確、可讀、受用戶喜愛 評測結果 研究人員通過自動方式和人工方式評測該方法生成的解釋質量。
自動評測中，GraphNarrator在Simulatability上全面領先（+8‐10%），證明解釋內容高度還原了GNN預測；PMI?10%覆蓋率提升顯著（平均+8.2%），表明能捕捉到最重要的token； Brevity（解釋長度/輸入長度）下降超13%，驗證其「短小精煉」能力。
人工評測中，有計算語言學背景的評審從易讀性、洞察力、結構信息、語義信息4個方向打分（1–7 分制）結果表明各項均優于GPT?4o、SMV，尤其在結構理解上優勢明顯（+33%），解釋更流暢、邏輯清晰，獲得真實用戶的更高信任。
參考資料：https://arxiv.org/pdf/2410.15268