连接动态与语义：基于可解释图神经网络流的统一视角

《Knowledge-Based Systems》：Bridging dynamics and semantics: A unified perspective on explainable Graph Neural Networks based stream reasoning

　　•构建了一个统一的概念框架，用于实现基于可解释GNN的语义流推理。•系统化了将图神经网络、知识图谱与流式动态模型相关联的零散研究文献。•提出了一种专门针对不断演化且富含知识的图结构的可解释性方法分类体系。•设计了基于知识意识的评估维度，并通过针对真实世界动态数据集的有限实证研究，展示了这些维度的实际可行性。•确定了平衡流式数据中可扩展性与可解释性之间关系的架构策略与启发式方法。引言图神经网络已成为生物信息学、推荐系统以及以知识图谱为核心的应用领域中处理复杂图结构的核心技术[1]、[2]、[3]。它们能够同时利用节点特征、边特征以及图结构，从而在节点级、链接级和图级预测任务中展现出卓越性能，即便是在大规模知识图谱处理中也是如此[4]、[5]。在医疗保健和患者监测等关键领域，近年来以患者为中心的知识图谱研究凸显出将强大的图模型与丰富的领域知识相结合的必要性[6]、[7]。与此同时，现实世界的决策越来越多地在动态流式环境中进行，其中数据和相关知识都会持续变化。图神经网络所蕴含的关联归纳偏差，与结构化及语义推理任务天然契合[8]、[9]、[10]、[11]。尽管已有研究探讨了这一领域的不同方面，但目前的相关工作仍较为分散。关于静态、动态及多模态图上的知识图谱推理的综述，以及针对流式知识图谱的研究，都强调了在语义推理流程中考虑时间因素和流式特性的重要性日益增加[9]、[12]。与此同时，人们也提出了针对时间和动态图神经网络的可解释性方法，包括基于模式的时间图神经网络解释方法、基于信息瓶颈的自解释时间架构，以及针对动态图的反事实解释器[13]、[14]、[15]。另外，关于时间知识图谱上的可解释性推理以及基于可解释GNN的推荐系统的研究也表明，在实践中，语义约束和时间约束对于生成用户和领域都能理解的解释结果至关重要[16]、[17]。然而，这些研究往往要么聚焦于时间图神经网络架构，要么关注结合知识图谱的流式推理，又或者针对特定的应用场景展开研究[11]、[18]、[19]。尽管在图神经网络、可解释性方法以及基于知识图谱的语义增强技术方面取得了显著进展，但目前仍然缺乏一个统一的框架，用于综合并严格评估在不断演化且富含知识的图流上基于GNN的推理所产生的具有语义依据的解释结果。现有研究通常都是孤立地处理这些问题：•关于动态和时间图的研究主要侧重于在结构不断变化情况下的表示学习，却未明确考虑解释的质量或语义依据[9]、[20]、[21]。•图神经网络可解释性评估指标虽然提出了忠实度、稳定性和鲁棒性等标准，但大多假设图结构是静态的，没有考虑到外部知识或语义一致性问题[22]、[23]、[24]。•关于经过知识增强的图神经网络的研究虽然强调了通过语义整合来提升推理性能和可解释性，但对于如何在动态或流式环境中评估解释结果则几乎没有提供指导[25]、[26]。因此，目前仍不清楚如何系统地判断基于GNN的流式推理模型所产生的解释结果是否在语义上与知识图谱保持一致、在关系层面是否连贯，以及在时间演化过程中是否稳定。这种缺乏系统性评估标准的情况，不仅阻碍了对现有方法进行有原则的比较，也限制了可靠系统的开发。尽管图神经网络、可解释性技术以及由知识图谱驱动的语义增强技术发展迅速，但围绕可解释语义流推理的几个核心问题仍未能得到充分研究，也缺乏系统化的梳理。具体而言，现有文献存在三个明显的缺陷：•结构可解释性优于语义可解释性。现有的图神经网络可解释性方法主要强调结构相关性和统计特征，但这些解释结果在外部知识表示方面的语义有效性却尚未得到充分研究。因此，当前的方法往往无法将其输出结果与底层领域的本体论相衔接，最终产生的解释虽然在数学上准确，但在语义上却相互脱节。•缺乏将流式推理、语义学和可解释性联系起来的统一框架。关于动态图神经网络、知识整合以及可解释性的研究大多是独立开展的，因此，人们尚未从可解释性的角度系统分析不断演变的图结构与语义知识之间的相互作用。目前还没有一个将流式动态特性、语义增强以及透明度视为单一系统中相互关联的设计要素的统一框架。•针对富含知识场景的评估方案不够完善。目前的评估方法主要依赖忠实度、稀疏度、鲁棒性等通用指标，而这些指标几乎无法为评估语义忠实度、关系连贯性或与背景知识的一致性提供有效指导。尤其是在需要根据不断变化的数据流来生成和验证解释结果的情况下，目前更缺乏标准的评估方案。为确保研究的透明性和可重复性，本研究遵循了Kitchenham等人所制定的系统性文献综述指南[27]。目前，相关文献分散在可解释GNN、知识图谱以及流式推理这三个不同的研究领域中，因此，要形成统一的语义视角，就需要对这些孤立的研究领域进行系统性的整合。为此，我们采用了以协议为导向的文献筛选策略，该策略既能减少筛选偏差，又能将各个领域中的相关研究有机结合起来。研究的范围被明确限定为那些处于这三个领域交汇处的具有影响力的研究成果。如图1所示，本研究重点探讨这三个领域交汇处的统一视角，不仅考虑那些专为在线流式推理设计的算法，还包括那些在语义和可解释性约束条件下，对流式推理具有分析意义的、会随时间动态演变的图结构相关方法。为了以系统且贴合领域特点的方式把握这一交叉点，我们在借鉴Kitchenham的基础框架的同时，根据该领域的快速发展调整了纳入标准。搜索策略：搜索字符串包含“可解释GNN”以及“流式推理”或“时间图”或“知识图谱”。时间范围：2018年至2025年。纳入标准：经过同行评审的期刊/会议论文，语言为英语，全文可获取。排除标准：非GNN方法，仅处理静态图的算法。评分者间一致性：两名独立评审者对最终纳入的92篇研究论文的认可度达到了95%。图2展示了用于筛选研究论文的协议及过滤标准的基本结构。与以往仅对现有研究结果进行统计汇总不同，这种方法更注重构建一个统一的理论框架。基于上述研究缺口，本研究围绕以下研究问题展开，旨在明确如何在基于GNN的流式推理系统中同时解决可解释性、语义增强以及流式约束等问题。RQ1——语义依据。如何构建基于GNN的流式推理的解释结果，使其不仅在局部上与底层模型保持一致，而且在语义上也与特定领域的本体论相契合？RQ2——动态性与语义性。如何将语义知识整合到动态和时间图神经网络中，使得即使图结构及相关背景知识不断变化，解释结果依然保持连贯性和信息量？RQ3——基于知识意识的评估。要评估基于GNN的流式推理模型所产生的解释结果在语义忠实度、关系连贯性以及知识一致性方面的表现，需要哪些评估标准和维度？RQ4——统一视角。如何将可解释性、通过知识图谱实现的语义增强以及流式推理约束结合起来，形成一个统一的理论框架，用于分析和设计可靠的基于GNN的流式推理系统？为系统地解答这些研究问题，本文的其余部分结构如下：第3节提出了可解释性方法的分类体系，为回答RQ1奠定了结构基础。第4节聚焦于将知识图谱整合到动态图神经网络中，以应对RQ2中提出的语义和时间方面的挑战。第5节则通过定义基于知识意识的评估维度来回应RQ3。最后，第6节和第7节将这些要素整合为一个统一的视角，并通过在关键领域的应用示例来展示这一视角的应用价值，从而回应RQ4。为弥补现有文献中的碎片化问题，本研究提出了一个既具备可解释性又融入了知识信息的流式推理统一视角。其主要目标是通过将当前的研究成果整合成一个完整的、具有知识意识的框架，从而超越孤立的分析方式。该框架将图神经网络的运作机制与来自知识图谱的语义约束以及流式数据的时间依赖性明确地联系在一起。因此，本研究的具体贡献如下：•基于可解释语义流推理的统一框架。本文构建了一个基于知识意识的统一概念框架，将该框架中的可解释性、语义增强以及流式推理约束视为相互关联的设计要素。这一框架为整理现有方法以及识别现有文献中未被充分研究的领域提供了结构化的视角，确保透明度是从推理过程本身就体现出来的，而非事后添加的成分。该框架的完整构建内容见第7节。•基于语义依据且兼顾流式特性的可解释性方法整合。本研究提供了一种结构化的可解释性方法分类体系，根据各种解释方法与不断演变的图结构以及语义整合模式的兼容性对它们进行了分类。除了保留与以往GNN可解释性分类体系的可比性外，该综述还从语义-流式维度对这些方法进行了进一步描述，包括语义依赖性、时间敏感性以及在线增量性等特征。如第3节所述，这种双层分类方式有助于明确在处理随时间变化的图结构时，应如何解读和调整传统的归因机制。•语义整合模式的系统化梳理。本研究识别并分类了将知识图谱中的领域知识整合到动态图神经网络中的常见策略，分析了这些整合模式如何帮助生成即使在底层数据流不断变化时依然保持连贯性和可解释性的解释结果，相关细节见第4节。•基于知识意识的评估视角。本文提出了一种超越传统评估指标的基于知识意识的评估视角，这些评估维度包括语义忠实度、关系连贯性、时间稳定性以及与专家知识的匹配程度。这一贡献为未来设计能够量化流式环境中解释结果语义质量的评估指标提供了概念性指导，相关内容在第5节中有进一步阐述和举例说明。•领域导向的用例实例。本研究通过医疗保健、安全防护、社交媒体以及自主系统等高价值领域的典型场景，展示了所提出的框架的实际应用效果。这些用例说明了在实践中，语义层面的约束条件以及流式环境下的特殊要求是如何影响模型设计以及结果解读的，相关示例见第7节。总体而言，本研究提出的视角强调，语义整合并非仅仅是用于预测的建模选择，而是提升可解释性的核心机制。通过将解释结果与明确的语义关系和时间约束相关联，这种方法能够识别出连续数据流中那些细微的、依赖于上下文的模式，而纯粹基于结构的方法往往难以捕捉到这类模式。片段内容背景与基础本节阐述了基于GNN的流式推理中可解释性和透明性的核心概念。首先定义了流式推理及其面临的主要挑战，随后介绍了图神经网络的基本原理。接着，研究了机器学习领域的可解释性和透明度问题，重点探讨了图神经网络特有的相关问题，最后分析了语义上下文以及知识图谱整合在其中的作用。基于GNN的流式推理中的可解释性技术本节对基于GNN的模型中常用的主要可解释性方法进行了系统性的分类，并分析了这些方法在语义丰富的流式环境中的适用性。该分类体系并非旨在取代以往的GNN可解释性分类体系，也不是要定义全新的解释方法类别，而是通过语义流式推理这一特定视角对现有的解释方法进行重新整理，着重分析它们的适用性、局限性以及在推理过程中的作用。语义上下文对可解释性和推理性能的影响将语义上下文纳入基于GNN的流式推理模型中，对于提升模型的可解释性和预测稳定性具有重要意义，尤其是在图形结构不断动态变化的场景中。如2.4节所述，语义结构能够捕捉实体的语义信息、关系依赖性以及高于原始流式数据层面的高层模式约束[36]、[37]、[41]。这些语义结构有助于模型摆脱单纯依赖数据驱动的相关性分析，进而充分利用类型信息。可解释性指标的现状与局限性目前关于模型可解释性的研究已经提出了多种评估解释结果的准则，包括是否便于人类理解、推理过程是否清晰，以及是否符合决策需求等。早期的研究认为这些定性指标是评估解释质量的基础[29]、[38]、[96]。而后来的分析则指出，如果缺乏关于解释结果应涵盖哪些内容的明确标准，不同方法和不同领域之间的评估结果往往会存在较大差异[40]、[42]。流式推理中的可解释性与性能平衡在流式推理应用中，可解释性要求与预测精度、响应速度以及资源使用效率等约束条件之间存在直接冲突。现有的GNN可解释性方法大多是为静态或批量处理场景开发的，当应用于高频更新的图数据流时，其计算成本可能会发生显著变化[1]、[2]。当模型运用诸如知识图谱之类的结构化知识时，其解释应当同时体现不断变化的图结构以及基于知识的评估方式。关键领域的应用场景：本节所介绍的案例旨在具体展现第1.3节中指出的研究缺口、第2.1节讨论的流式推理需求，以及第4.5节分析的语义集成方法学挑战。尤其关注在基于GNN的动态图推理中，语义知识、可解释性要求与特定于流的约束之间的相互作用。受从流到图抽象思想的启发……当前的局限与未解问题：本研究的结果既揭示了基于GNN的可解释、知识感知型流式推理所具有的发展潜力，也指出了其中依然存在的缺陷。如第4.5节的挑战分析所述，并在表4中总结，目前GNN、知识图谱与流式推理交叉领域的研究仍存在明显的结构性局限。大多数可解释性方法主要侧重于结构相关性和统计归因，而在语义层面提供的保障十分有限……结论：本文开展了一项结构清晰、以概念为导向的综述，从语义角度探讨了基于GNN的可解释流式推理问题。分析表明，尽管在GNN架构和时间建模方面已取得显著进展，但目前的研究尚未形成一种将可解释性、语义知识与流式动态视为相互关联要素的统一视角。这种碎片化的状况限制了现有方法给出能够经得起检验的解释的能力……CRediT作者贡献说明：G?zde Ay?e Tataro?lu ?zbulak：写作——审稿与编辑、写作——初稿撰写、可视化、方法论、研究设计、形式化分析、数据整理、概念构建。Yash Raj Shrestha：写作——审稿与编辑、指导监督、方法论、概念构建。Jean-Paul Calbimonte：写作——审稿与编辑、指导监督、项目管理、方法论、资金筹集、概念构建。利益冲突声明：作者声明不存在任何可能影响本文研究结果的已知财务利益或个人关系。致谢：本项目得到了瑞士国家科学基金会（SNSF）通过StreamKG项目（资助编号213369）的支持。G?zde Ay?e Tataro?lu ?zbulak|Yash Raj Shrestha|Jean-Paul Calbimonte