新智元报道

编辑：LRST

【新智元导读】GraphNarrator是Emory大学研究团队开发的首个为图神经网络天生自然语言诠释的工具。通过结构和优化诠释伪标签，再将这些标签蒸馏到一个端到端模子中，使模子能直接输出高质量的自然语言诠释，让重大的图神经网络决议历程变得透明可明确，且在多个真实数据集上验证了其有用性。

图神经网络（GNN）已成为处置惩罚结构化数据的焦点工具，普遍应用于社交网络、药物设计、金融风控等场景。

然而，现有 GNN 的决议历程高度重大，且经常缺乏透明度：为什么模子做出这样的展望？要害依据在哪？这成为阻碍其大规模落地的主要瓶颈。

已有要领多基于「主要子图提取」或「节点-边归因」，如 GNNExplainer、PGExplainer 等，但它们只能输出结构片断，不具备人类可读性，且缺乏对文本属性节点的处置惩罚能力（如文献图、商品图）。

Emory大学的研究团队提出了首个面向图神经网络的自然语言诠释天生器GraphNarrator，首次实现从GNN输入输出中，天生高质量的自然语言诠释，让图神经网络从「黑盒模子」变为「有理有据的决议体」。

论文链接：https://arxiv.org/pdf/2410.15268

代码链接：https://github.com/pb0316/GraphNarrator

GraphNarrator聚焦于一种主要的图类型Text-Attributed Graphs (TAGs)，即节点特征为自然语言文本（如论文摘要、商品先容、疾病形貌等）。

论文孝顺包括：

提出首个自然语言诠释框架，将TAG图诠释从结构层面扩展至语言层
；

统一结构化与语言信息，桥接图结构推理与LLM明确能力
；

开源工具链，提供高质量伪标签结构器+自监视蒸馏要领，便于迁徙至恣意GNN使命。

论文第一作者为Emory大学博士生Bo Pan，恒久从事图学习与可诠释人工智能偏向研究。

配合第一作者为USC硕士生Zhen Xiong和Emory大学博士生Guanchen Wu，通讯作者为Emory盘算机系副教授Liang Zhao。

该研究获得ACL2025 主会吸收，提出首个面向图神经网络的自然语言诠释天生器 GraphNarrator。

让GNN启齿语言

GraphNarrator 总体包括三步：

1. 结构诠释伪标签（Pseudo-label Generation）

使用saliency-based诠释要领提取「主要文本+要害邻人节点」，形式是每个特征（节点、边、token）的主要性。

将这些结构转化为结构化Prompt，和问题与展望一起输入GPT模子，天生可诠释伪标签。

2. 优化伪标签（Filtering via Expert-Designed Criteria）

通过两大标准筛选质量更高的伪标签：

忠实性（faithfulness）：与模子展望一致，研究职员通过互信息（mutual information）的方法盘算天生的文字诠释与输入、输出之间的忠实性。

精练性（conciseness）：信息浓缩、可读性强，勉励长度更短

GraphNarrator通过专家迭代（Expert Iteration）同时优化这两个目的，确保西席模子（teacher model）天生高质量的诠释。

3. 蒸馏诠释器（Training Final Explainer）

将伪标签蒸馏进一个端到端模子（文章中使用LlaMA 3.1 8B），直接输入图结构与文本，即可自动输出诠释语句。

忠实、可读、用户更爱看！

数据集

研究职员在多个真实天下的Text-Attributed Graph（TAG）数据集上对GraphNarrator举行了系统评估，包括：

Cora：论文引文图，节点为论文，文本为摘要

DBLP：作者相助图，文本为论文列表

PubMed：生物医学文献图

比照要领：

各主流 LLM（LLaMA?3.1-8B、GPT?3.5、GPT?4o）Zero-shot天生诠释

SMV：基于GPT?4o的saliency诠释模板转换要领

GraphNarrator（基于LLaMA 3.1-8B）

评估目的是磨练 GraphNarrator 天生的自然语言诠释是否忠实、准确、可读、受用户喜欢。

评测效果

研究职员通过自动方法和人工方法评测该要领天生的诠释质量。

自动评测中，GraphNarrator在Simulatability上周全领先（+8‐10%），证实诠释内容高度还原了GNN展望
；

PMI?10%笼罩率提升显著（平均+8.2%），批注能捕获到最主要的token
； Brevity（诠释长度/输入长度）下降超13%，验证其「短小精炼」能力。

人工评测中，有盘算语言学配景的评审从易读性、洞察力、结构信息、语义信息4个偏向打分（1–7 分制）。

效果批注各项均优于GPT?4o、SMV，尤其在结构明确上优势显着（+33%），诠释更流通、逻辑清晰，获得真适用户的更高信任。

参考资料：

https://arxiv.org/pdf/2410.15268